UNIVERSIDADE FEDERAL DE SANTA CATARINA
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA
COMPUTAÇÃO
Juliano Anderson Pacheco
Modelos Estatísticos Espaciais no Planejamento da
Prestação de Serviços
Dissertação submetida à Universidade Federal de Santa Catarina como parte dos
requisitos para a obtenção do grau de Mestre em Ciência da Computação
Orientador: Prof. Dalton Francisco de Andrade, PhD
Florianópolis, fevereiro de 2005.
ii
Modelos Estatísticos Espaciais no Planejamento daPrestação de Serviços
Juliano Anderson Pacheco
Esta Dissertação foi julgada adequada para a obtenção do título de Mestre em Ciência
da Computação Área de Concentração Sistemas de Conhecimento e aprovada em sua
forma final pelo Programa de Pós-Graduação em Ciência da Computação.
________________________________________
Prof. Raul Sidnei Wazlawick, Dr.
Banca Examinadora
________________________________________
Prof. Dalton Francisco de Andrade, Ph.D. (orientador)
________________________________________
Prof. Robert Wayne Samohyl, Ph.D.
________________________________________
Prof. Paulo José Ogliari, Dr.
________________________________________
Prof. Mauro Roisenberg. Dr.
iii
“Espaço é uma estrutura essencial de todos os modos de pensamento.
De físicas para estéticas, de mito e magia para vida cotidiana,
espaço, junto com tempo, provê um sistema de ordenação fundamental
para entrelaçar toda faceta de pensamento...
Em resumo, coisas acontecem ou existem em relação a espaço e tempo”R. Sack (1980)
iv
Oferecimentos
Ao meu pai Julio Felipe Pacheco (in memorian)
À minha mãe Marcília Bento Pacheco
Aos meus irmãos Beto, Márcio e Julio
Às minhas irmãs Neusa, Cleusa, e Nely
v
Agradecimentos
Agradeço especialmente ao meu orientador Prof. Dalton Francisco de Andrade
que acreditou em mim e deu-me a oportunidade de desenvolver esse trabalho. Além da
orientação, o mesmo foi um pai, um amigo.
Da mesma forma, agradeço ao Prof. Paulo José Ogliari, que sempre confiou em
mim e levava-me para auxiliá-lo em algumas aulas nas suas disciplinas, sempre me senti
lisonjeado por isso.
Agradeço ao Prof. Pedro Alberto Barbetta que sempre esteve disposto nas nossas
reuniões em discutir nossos problemas.
Aos Profs. Sílvia Modesto Nassar e Masanao Ohira que me adotaram no LEA
(Laboratório de Estatística Aplicada), que foi meu local de trabalho.
Ao pessoal do Departamento de Pós-graduação, representadas pela Verinha e
Dayane, que sempre foram muito atenciosas, prestativas e queridas.
Aos colegas e amigos que tornaram as disciplinas e a fase de dissertação mais
fáceis de serem vivenciadas, cito: Alberto, Fernando, Rubson, Jaqueline, Jacqueline,
Tibiriça, Forest, Ruy e mais os outros que por esquecimento não citei.
À turma do CAL que me aturou como monitor dois trimestres em seguida e ainda
me convidavam para as festinhas, vocês são super legais.
À turma de Sistemas de Informação, na qual fiz meu estágio docência, pela
compreensão e paciência no meu início na área da docência.
Às meninas da Sanitária, especialmente a Jackie e a Tati que são uns amores de
pessoa, se todas fossem iguais a vocês, o mundo seria mais divertido.
À Gisele, que me motivou, sempre esteve presente e teve paciência comigo
durante o primeiro ano do mestrado. Muito obrigado, sem você nada começaria.
À Priscila, que mesmo algumas vezes distante, sei que sempre torceu por mim e
me deu forças, o sentimento é mútuo, gosto muito de você.
Especialmente à Mi, que me deu força e motivos para terminar bem rápido os
trabalhos para podermos ir à praia. Gosto um montão de você, você sabe disso.
Ao povo brasileiro, que por intermédio da CAPES, financiou os recursos
necessários ao desenvolvimento dos trabalhos.
vi
À Secretaria de Segurança Pública e Defesa do Cidadão de Santa Catarina, através
da Diretoria de Combate ao Crime Organizado (DIRC), a qual, gostaria de agradecer, na
figura do seu diretor na época, o Major Edivar Antônio Bedin, pelo fornecimento dos
dados relativos à criminalidade nos municípios catarinenses.
Aos Tenentes Comelli e Junio pelo suporte dado durante os trabalhos na
Secretaria de Segurança Pública e Defesa do Cidadão de Santa Catarina.
E se esqueci de alguém, peço desculpas, e agradeço mesmo assim, todos foram
muito importantes.
vii
Sumário
LISTA DE FIGURAS ..........................................................................................................X
LISTA DE TABELAS ........................................................................................................XI
LISTA DE TABELAS ........................................................................................................XI
LISTA DE SIMBOLOGIA..................................................................................................XII
RESUMO ......................................................................................................................XIII
ABSTRACT ...................................................................................................................XIV
CAPÍTULO 1 - INTRODUÇÃO ................................................................................... 1
1.1. CONSIDERAÇÕES INICIAIS ...................................................................................................1
1.2. OBJETIVO GERAL ................................................................................................................2
1.3. OBJETIVOS ESPECÍFICOS .....................................................................................................3
1.4. METODOLOGIA....................................................................................................................3
1.5. JUSTIFICATIVA ....................................................................................................................3
1.6. RESULTADOS ESPERADOS ...................................................................................................4
1.7. LIMITAÇÕES DO TRABALHO................................................................................................4
1.8. ESTRUTURA DA DISSERTAÇÃO............................................................................................4
CAPÍTULO 2 - ESPACIALIDADE E PLANEJAMENTO........................................ 6
2.1. ANÁLISE ESTATÍSTICA ESPACIAL E O PLANEJAMENTO DA PRESTAÇÃO DE SERVIÇOS ........6
2.1.1. Conceituando ............................................................................................................................. 62.1.2. O planejamento da prestação de serviços ................................................................................. 72.1.3. A análise de dados espaciais ..................................................................................................... 92.1.4. A interação planejamento da prestação de serviços e análise de dados espaciais.................. 12
2.2. DADOS ESPACIAIS .............................................................................................................15
2.2.1. Granularidade geográfica ....................................................................................................... 152.2.2. Dados espaciais ....................................................................................................................... 172.2.3. Inserção de novos dados.......................................................................................................... 18
2.3. FERRAMENTAS COMPUTACIONAIS....................................................................................21
2.3.1. Linguagem R............................................................................................................................ 212.3.2. GeoDa...................................................................................................................................... 252.3.3. Projeto TerraLib ...................................................................................................................... 27
viii
2.3.3.1. TerraLib..............................................................................................................................................272.3.3.2. TerraView...........................................................................................................................................272.3.3.3. TerraCrime .........................................................................................................................................30
CAPÍTULO 3 - TÉCNICAS DE ANÁLISE............................................................... 31
3.1. PROCESSO ESPACIAL.........................................................................................................31
3.1.1. Processo pontual...................................................................................................................... 313.1.2. Processo de áreas .................................................................................................................... 33
3.2. ANÁLISE DESCRITIVA........................................................................................................34
3.2.1. Análise descritiva em processos pontuais................................................................................ 353.2.1.1. Estatísticas descritivas ........................................................................................................................35
3.2.2. Análise descritiva em processos de áreas................................................................................ 383.2.2.1. Medidas e estatísticas descritivas .......................................................................................................383.2.2.2. Cartogramas........................................................................................................................................40
3.3. ANÁLISE INFERENCIAL......................................................................................................44
3.3.1. Matriz de dependência espacial............................................................................................... 443.3.2. Autocorrelação espacial .......................................................................................................... 47
3.3.2.1. Índices Globais ...................................................................................................................................483.3.2.2. Índices Locais.....................................................................................................................................493.3.2.3. Métodos Gráficos ...............................................................................................................................51
3.3.3. Estimação de superfícies.......................................................................................................... 563.3.4. Modelos de Regressão espacial ............................................................................................... 59
3.3.4.1. Spatial Lag..........................................................................................................................................603.3.4.2. Spatial Error .......................................................................................................................................613.3.4.3. Outros modelos ..................................................................................................................................63
CAPÍTULO 4 - APLICAÇÃO EM DADOS DE SEGURANÇA PÚBLICA .......... 65
4.1. MATERIAIS E MÉTODOS ....................................................................................................65
4.1.1. Dados e Taxas.......................................................................................................................... 654.1.2. Ferramentas computacionais................................................................................................... 694.1.3. Modelos de Regressão ............................................................................................................. 70
4.2. RESULTADOS .....................................................................................................................72
4.3. DISCUSSÃO........................................................................................................................74
CAPÍTULO 5 - CONCLUSÕES E TRABALHOS FUTUROS................................ 75
5.1. CONCLUSÕES.....................................................................................................................75
5.2. TRABALHOS FUTUROS .......................................................................................................79
REFERÊNCIAS BIBLIOGRÁFICAS ....................................................................80
APÊNDICE ........................................................................................................................84
A.1 LISTAGEM DA LINGUAGEM R DESENVOLVIDA PARA OS EXEMPLOS- FIGURAS E TABELAS
.................................................................................................................................................84
ix
A.2 LISTAGEM DA LINGUAGEM R DESENVOLVIDA PARA APLICAÇÃO ....................................86
A.3 DADOS DOS MUNICÍPIOS CATARINENSES UTILIZADOS NOS EXEMPLOS .............................89
A.4 DADOS DOS MUNICÍPIOS CATARINENSES UTILIZADOS NA APLICAÇÃO .............................96
x
Lista de Figuras
Figura 2.1- Etapas no planejamento da prestação de serviços ..................................................................... 8Figura 2.2 - Representações básicas das entidades espaciais......................................................................10Figura 2.3 - Estrutura básica de um SIG.....................................................................................................11Figura 2.4 - Etapas na modelagem espacial da prestação de serviços ........................................................14Figura 2.5 - Inserção de pontos por coordenadas........................................................................................16Figura 2.6 - Inserção de pontos por endereço .............................................................................................16Figura 2.7 - Estrutura de divisão geográfica adotada pelo IBGE................................................................17Figura 2.8 - Estrutura do formato Shape da ESRI ......................................................................................18Figura 2.9 - Municípios da região metropolitana de Florianópolis .............................................................19Figura 2.10 - Janela console da Linguagem R ........................................................................................... 22Figura 2.11 - Janela gráfica da Linguagem R............................................................................................. 22Figura 2.12 - Janela principal do GeoDA................................................................................................... 26Figura 2.13 - Janela de abertura de mapeamento....................................................................................... 26Figura 2.14 - Janela principal do TerraView.............................................................................................. 28Figura 2.15 - Janela de criação da base de dados....................................................................................... 28Figura 2.16 - Janela de importação de arquivo formato Shape .................................................................. 29Figura 2.17 - Janela de definição da projeção geográfica .......................................................................... 29Figura 3.1 - Processo pontual da localização das sedes dos municípios catarinenses................................ 32Figura 3.2 - Processo de áreas dos municípios catarinenses ...................................................................... 34Figura 3.3 - Processo de pontos dos municípios catarinenses subdivididos por mesorregião ................... 36Figura 3.4 - Cartograma da variável população em classes do tipo uniforme............................................ 42Figura 3.5 - Cartograma da variável população em classes do tipo desvio padrão.................................... 42Figura 3.6 - Cartograma da variável população em classes do tipo percentil ............................................ 43Figura 3.7 - Municípios da região metropolitana de Florianópolis, município de São José em destaque.. 45Figura 3.8 - Janela de criação da matriz de dependência espacial ............................................................. 47Figura 3.9 - Janela de cálculo das estatísticas espaciais no programa TerraView...................................... 50Figura 3.10 - Gráfico de espalhamento de Moran ......................................................................................51Figura 3.11 - Gráfico de espalhamento de Moran para a variável área ..................................................... 52Figura 3.12 - Gráfico de espalhamento de Moran para a variável população............................................ 53Figura 3.13 - Box Map para a variável área ............................................................................................... 53Figura 3.14 - Box Map para a variável população ..................................................................................... 54Figura 3.15 - Lisa Map para a variável área .............................................................................................. 54Figura 3.16 - Lisa Map para a variável população..................................................................................... 55Figura 3.17 - Moran Map para a variável área........................................................................................... 55Figura 3.18 - Moran Map para a variável população................................................................................. 56Figura 3.19 - Princípio do estimador de densidade aplicado a um processo pontual................................. 57Figura 3.20 - Janela para estimação de superfície do programa TerraView .............................................. 58Figura 3.21 - Superfície estimada com base na distribuição das sedes dos municípios catarinenses ........ 59Figura 4.1 - Cartograma da taxa de furtos e roubos de residências............................................................ 67Figura 4.2 - Cartograma da taxa de furtos e roubos de veículos ................................................................ 67Figura 4.3 - Representação gráfica da estrutura de dependência espacial ................................................. 72
xi
Lista de Tabelas
Tabela 2.1 - Dados disponíveis no mapeamento........................................................................................ 20Tabela 2.2 - Novos dados para inserção .................................................................................................... 20Tabela 2.3 - Pacotes básicos da Linguagem R e suas respectivas descrições............................................ 23Tabela 2.4 - Pacotes especialistas, não-especialistas e auxiliares da Linguagem R e suas respectivas
descrições........................................................................................................................................... 24Tabela 3.1 - Informações associadas às sedes de uma amostra de municípios catarinenses...................... 33Tabela 3.2 - Estatísticas descritivas do processo de pontos dos municípios catarinenses subdivididos por
mesorregião........................................................................................................................................ 37Tabela 3.3 - Cálculos de uma proporção, uma taxa e um índice numa amostra de municípios catarinenses
........................................................................................................................................................... 39Tabela 3.4 - Estatísticas descritivas necessárias para a construção dos cartogramas..................................41Tabela 3.5 - Identificação dos vizinhos por contigüidade.......................................................................... 46Tabela 3.6 - Matriz de dependência normalizada por linha ....................................................................... 46Tabela 3.7 - Interpretações e possíveis valores que podem assumir os índices Moran e Geary. ............... 49Tabela 3.8 - Índices de Moran e de Geary das variáveis área e população para o processo de áreas........ 49Tabela 3.9 - Teste da dependência espacial para a população em função da área do município .............. 62Tabela 3.10 - Modelo spatial error para a população em função da da área do município ....................... 63Tabela 4.1 - Descrição dos possíveis fatores associados ........................................................................... 68Tabela 4.2 - Estatísticas descritivas dos possíveis fatores associados e das taxas de criminalidade.......... 69Tabela 4.3 - Contribuição dos fatores associados as taxas de criminalidade ............................................. 72Tabela 4.4 - Modelos ajustados para a taxa de furtos e roubos de veículos............................................... 73Tabela 4.5 - Modelos ajustados para a taxa de furtos e roubos de residências .......................................... 73
xii
Lista de Simbologia
CEDEST - Centro de Estudos de Desigualdades Sócio-territoriais
CICT - Centro de Informação Científica Tecnológica
CPqAM - Centro de Pesquisa Aggeu Magalhães
CRAN - Comprehensive R Archive Network - Rede Detalhada de Arquivos R
CRISP - Centro de Estudos de CRIminalidade e Segurança Pública
DPI - Departamento de Processamento de Imagens
ENSP - Escola Nacional de Saúde Pública Sergio Arouca
ESDA - Exploratory Spatial Data Analysis - Análise Exploratória de Dados Espaciais
ESRI - Environmental Systems Research Institute - Instituto de Pesquisa de Sistemas
Ambientais
GeoDA - Geographical Data Analisys - Análise de Dados Geográficos
GIS - Geographical Information System - Sistema de Informação Geográfica
GPL - General Public License - Licença Pública Geral
GPS - Global Position System - Sistema de Posicionamento Global
GRASS - Geographic Resources Analysis and Support System - Sistema de Suporte e
Análise de Fontes Geográficas
GWR - Geographically Weighted Regression - Regressão Ponderada Geograficamente
IBGE - Instituto Brasileiro de Geografia e Estatística
INPE - Instituto de Pesquisas Espaciais
IPEA - Instituto de Pesquisas Econômicas Aplicadas
LEG - Laboratório de Estatística e Geoinformação
LESTE - Laboratório de ESTatística Espacial
MTE - Ministério do Trabalho e Emprego
MEC - Ministério da Educação e Cultura
SENASP - SEcretaria NAcional de Segurança Pública
SGBD - Sistema Gerenciador de Base de Dados
SPRING - Sistema de PRocessamento de INformações Georeferenciadas
UTM - Universal Transverse Mercator
xiii
Resumo
PACHECO, Juliano Anderson. Modelos Estatísticos Espaciais no Planejamento daPrestação de Serviços. Florianópolis, 2005. 119 páginas. Dissertação (Mestrado emCiência da Computação) - Programa de Pós-graduação em Ciência da Computação,UFSC, 2005.
Esta dissertação tem o objetivo de sistematizar a utilização de modelos estatísticosespaciais para utilização no planejamento da prestação de serviços, através do uso deferramentas computacionais que permitem a construção e validação desses modelos. Éfeita uma revisão bibliográfica para apresentar os critérios utilizados no planejamentoda prestação de serviços, conceitos pertinentes à análise estatística de dados espaciais ea interação entre esses tópicos. Explorou-se, também, a criação de uma base de dadosespaciais pertinente à análise e as ferramentas computacionais que possibilitam aplicaras técnicas desenvolvidas no trabalho, com ênfase na Linguagem R e seus pacotes deanálise espacial. Também são apresentadas as ferramentas: GeoDa, TerraView eTerraCrime.
Na seqüência, são exploradas as técnicas de análise aplicáveis aos fenômenosespaciais modelados por pontos e por áreas, denominados, respectivamente, processopontual e processo de áreas. São apresentadas técnicas exploratórias ou descritivas paraverificar as formas de visualização dos dados, o tipo de distribuição ou a existência deagrupamentos nos mesmos. Também, técnicas inferenciais ou de modelagem sãoapresentadas para modelar e quantificar a dependência espacial, estimar superfícies e aestimação de modelos de regressão espacial. Cada técnica é exemplificada através dasferramentas computacionais apresentadas.
Para exemplificar, é apresentada uma aplicação prática de técnicas de análiseestatística espacial em dados de segurança pública, onde são identificados fatoresassociados à taxas de criminalidade com a utilização de regressão espacial.
Para finalizar o trabalho, são apresentados os requisitos a serem levados emconsideração na construção de um ambiente computacional que permita a análise dedados espaciais. Também, cada método estatístico espacial explorado no planejamentoda prestação de serviços foi analisado, bem como os resultados da aplicação realizadana área de Segurança Pública.
xiv
Abstract
PACHECO, Juliano Anderson. Modelos Estatísticos Espaciais no Planejamento daPrestação de Serviços. Florianópolis, 2005. 119 pages. Dissertação (Mestrado emCiência da Computação) - Programa de Pós-graduação em Ciência da Computação,UFSC, 2005.
This thesis has the objective of systematizing the use of spatial statistical models for usein the planning of services, through the use of computational tools that allow the construction ofthose models. From a bibliographical revision the criteria used in the planning of the serviceswas presented, pertinent concepts to the statistical analysis of spatial data and the interactionamong those topics. Too explorer the creation of a spatial database pertinent to the analysis arepresented and the computational tools that make possible the application of the techniquesdeveloped in this thesis, with emphasis in the R Language and its packages of spatial analysis.The following tools are presented: GeoDa, TerraView and TerraCrime.
In the sequence, the applicable analysis techniques to spatial phenomena are exploredmodeled by points and for areas, denominated, respectively point process and areas process.Exploratory or descriptive techniques are presented to verify the forms of visualization of thedata, the distribution type or the existence of groupings. Also, inferential techniques arepresented to model and to quantify spatial dependence, to estimate surfaces and the estimationof models of spatial regression. Each technique is exemplified through the computational toolspresented.
To exemplify, a practical application of techniques of spatial statistical analysis ispresented with data from public safety, where factors are identified associated with crime ratesthrough the use of spatial regression.
To conclude the work, the requirements that should be taken into consideration in theconstruction of a computational environmental that allow for the analysis of spatial data arepresented. Also, each spatial statistical method explored in the planning of services wasanalyzed, as well as the results of the application in the Public Safety area.
CAPÍTULO 1 - INTRODUÇÃO
1.1. Considerações Iniciais
Estamos vivenciando a era da informação. Foi-se o tempo em que a chegada de
uma nova notícia (ou informação) estava associada à chegada de uma carta. As
evoluções tecnológicas possibilitaram um aumento crescente na forma de comunicação
(interação) entre as pessoas, dentre as quais, pode-se destacar a invenção do telefone
(1876), passando pelo rádio (1901), o primeiro computador (1946), a chegada da
televisão (1947) nos lares familiares (Siqueira, 1999), e culminando no atual estado da
arte da Informática e Telecomunicações. Não se pode deixar de mencionar a difundida
INTERNET, a grande rede global, que proporciona, como em nenhum outro momento
da história humana, acesso a dados das mais variadas fontes, formas e assuntos como
em nossos dias atuais, como exemplo, dados históricos, geográficos ou sócio-
econômicos da população.
Esses dados são coletados e armazenados para os mais diversos fins, por
instituições públicas ou privadas. Geralmente, as instituições públicas são as
responsáveis pelos levantamentos demográficos. No Brasil, deve-se ressaltar os
trabalhos realizados pelo Instituto Brasileiro de Geografia e Estatística (IBGE, 2004),
no que se refere ao censo demográfico e as pesquisas amostrais em diversas áreas de
conhecimento (agropecuária, indústria, comércio, trabalho, renda, ...). Já as instituições
privadas preocupam-se com dados cadastrais dos seus (ou prováveis) clientes,
geralmente com o objetivo de oferecer produtos e/ou serviços. Dessas instituições,
destacam-se, as redes bancárias, lojas de departamento, hipermercados e empresas de
telecomunicações.
Atrelada a essa diversidade de dados disponíveis, existem, também, diversas
formas de visualização dos mesmos, normalmente através de tabelas resumos ou
gráficos. Entretanto, uma peculiaridade dos levantamentos demográficos, por exemplo,
é a possibilidade da representação espacial dos mesmos. Essa forma de representação
espacial deve-se a intrínseca associação entre os dados e a área geográfica que os
mesmos representam (Câmara et al, 2000).
2
Associado a esse contexto, encontramos um mundo globalizado, em que o
ambiente competitivo e a escassez de recursos são uma realidade nas mais diversas
áreas. Sendo assim, faz parte do dia a dia da nossa sociedade, a necessidade de retirar
conhecimentos relevantes desses dados, os quais temos acesso, em tempo hábil para
aplicar, principalmente, no planejamento dessas áreas visando a sobrevivência nesse
ambiente competitivo. Entre tantas áreas competitivas, podemos destacar: indústrias em
geral e o setor de prestação de serviços públicos, onde ressaltamos o setor energético,
telecomunicações, saúde e a segurança pública.
O desenvolvimento e implementação de metodologias que têm o intuito de
organizar, gerar hipóteses, analisar e culminar num conhecimento aplicável a
determinada área de interesse é de suma importância. Há de se ressaltar que isso é
válido tanto para aplicações de cunho comercial, onde geralmente a iniciativa é de
origem privada, quanto para aplicações de cunho social, que na maioria das vezes é de
responsabilidade do Estado.
A aplicação dessas metodologias tem como suporte ferramentas computacionais
que permitem fazer as análises e gerar o conhecimento relevante. Quando há a
necessidade de se utilizar a localização da ocorrência dos dados na análise, faz-se
necessário ambientes computacionais que permitam representar, transformar, manipular,
analisar e modelar dados espaciais, ou seja, que podem ser representados no espaço. As
ferramentas que permitem isso são denominadas de sistemas de informação geográfica,
ou GIS (Geographical Information System) (Burrough & McDonell, 1998).
Nesse contexto, este trabalho visa a aplicação de técnicas de análises de dados
espaciais para a descoberta de conhecimento em bases de dados, para a utilização por
parte dos planejadores de serviços. Um exemplo de aplicação das técnicas será realizado
em conjunto com os planejadores dos Órgãos de Segurança Pública, área governamental
estratégica, através do uso da base de dados das ocorrências policiais registradas em
conjunto com outras bases compatíveis de dados pertinentes às análises.
1.2. Objetivo Geral
Este trabalho tem como objetivo sistematizar a utilização de modelos estatísticos
espaciais aplicados no planejamento da prestação de serviços.
3
1.3. Objetivos Específicos
Como objetivos específicos, têm-se os seguintes tópicos:
• Apresentar métodos estatísticos espaciais aplicáveis no planejamento da
prestação de serviços com o uso de ferramentas computacionais.
• Realizar aplicação numa área específica, no caso na área de Segurança
Pública.
• Definir requisitos necessários para construção de ambiente computacional que
permita a análise de dados espaciais.
1.4. Metodologia
As seguintes etapas serão utilizadas para o desenvolvimento dos objetivos
específicos:
• Construir base de dados espaciais com suporte de mapeamentos
disponibilizados por fontes oficiais em formatos padrões, bem como levantar
as fontes de dados secundários aplicáveis ao planejamento de serviços para
inserção no mapeamento através de ferramentas de banco de dados.
• Apresentar ferramentas computacionais do tipo programas livres, que
permitem a análise de dados espaciais, sendo exploradas a Linguagem R,
sistemas em ambiente Windows GeoDa, TerraView e TerraCrime.
• Apresentar métodos estatísticos espaciais de análise com as ferramentas
computacionais exploradas.
• Exemplificar a aplicação dessas técnicas no planejamento da prestação de
serviços de uma área específica, que no caso foi a de Segurança Pública.
1.5. Justificativa
No planejamento da prestação de serviços, a tomada de decisão deve ser realizada
de forma ágil e sintonizada com a realidade do problema com base em conhecimento
relevante da área de aplicação.
Conforme visto na seção 1.1, atualmente tem-se acesso a um grande volume de
fontes de dados, disponibilizadas pelas instituições responsáveis, as quais devem ser
transformadas em conhecimento relevante. Atrelado a isso, estamos num ambiente
competitivo, onde a otimização dos recursos faz-se necessária.
4
Neste ambiente, gera-se inúmeras oportunidades, principalmente na área da
Ciência da Computação, com relação ao armazenamento, manipulação, visualização e
análise desses dados (Klösgen & Zytkow, 2002).
A análise espacial de dados consegue reunir todas as características descritas,
permitindo uma modelagem mais realista do problema da prestação de serviços, através
da geração de informações atreladas a essa forma de análise, uma vez que a visualização
dos resultados é realizada espacialmente.
Sendo assim, neste trabalho são exploradas técnicas estatísticas espaciais no
planejamento da prestação de serviços, com o intuito de gerar conhecimento relevante e
aplicável à determinada área de interesse.
1.6. Resultados Esperados
Como resultado serão disponibilizados métodos e ferramentas que possibilitem
maior interação entre o Planejador do Serviço, aqui considerado como Especialista,
profissionais que detêm conhecimento das técnicas de análise de dados, aqui
considerados como Estatísticos, e pessoas que desenvolvem ferramentas de
planejamento, aqui considerados como Analista de Sistemas.
A abordagem realizada visa, também, promover um melhor entendimento do
problema e permitir que o planejamento seja baseado em informações as mais
representativas da realidade. Isto deverá acarretar uma maior otimização dos recursos
disponíveis e uma melhoria da qualidade de prestação dos serviços.
1.7. Limitações do Trabalho
O trabalho tem como limitação a exploração de recursos computacionais de
programas livres, dentre os quais foram escolhidos a Linguagem R e os sistemas em
ambiente Windows denominados GeoDa, TerraView e TerraCrime.
Será explorado o planejamento da prestação de serviços que podem ser
representados por pontos ou áreas. Não será considerada a representação por linhas, tais
como ocorre em problemas de logística, por exemplo.
1.8. Estrutura da Dissertação
A dissertação está estruturada em 5 capítulos. No capítulo 1 está apresentada a
introdução ao problema, composta das considerações iniciais, objetivo geral, objetivos
específicos, metodologia, justificativa, resultados esperados e limitações do trabalho.
5
No capítulo 2 é realizada a revisão bibliográfica. Nesta são explorados o planejamento
dos serviços, a base de dados espaciais e as técnicas est1atísticas aplicáveis no estudo.
Também será apresentada a construção da base de dados espaciais, bem como a forma
de inserção de dados secundários. Aplicativos de análise de dados espaciais são também
descritos, destaca-se a Linguagem R e os sistemas em ambiente Windows GeoDa,
TerraView e TerraCrime.
No capítulo 3, apresentam-se as técnicas estatísticas aplicáveis a dados
representáveis por pontos ou áreas. A aplicação desenvolvida com dados da área de
Segurança Pública, com as ferramentas descritas no capítulo anterior, está apresentada
no capítulo 4. E finalmente, no capítulo 5 tem-se as conclusões e o levantamento de
possíveis trabalhos futuros.
6
CAPÍTULO 2 - ESPACIALIDADE, PLANEJAMENTO EFERRAMENTAS COMPUTACIONAIS
Este capítulo tem o intuito de apresentar o relacionamento existente entre
planejamento de serviços, base de dados espaciais e as técnicas estatísticas pertinentes.
Considerações referentes à construção da base de dados espaciais, bem como a forma de
inserção de dados secundários, também são explorados. E finalmente, alguns aplicativos
de análise de dados espaciais são descritos, destaca-se a Linguagem R e os sistemas
Windows GeoDa, TerraView e TerraCrime.
2.1. Análise estatística espacial e o planejamento da prestação deserviços
Nessa primeira parte o intuito é apresentar os critérios utilizados no planejamento
da prestação de serviços que são dependentes de dados para sua definição. Também são
vistos conceitos pertinentes à análise estatística de dados, com ênfase em dados
espaciais. E para fechar, são analisados trabalhos que mostram a interação entre os dois
tópicos descritos anteriormente.
2.1.1. Conceituando
Antes de explorar o tema “planejamento da prestação de serviços”, primeiramente
serão conceituados alguns termos importantes para o trabalho.
Segundo o dicionário Aurélio (Ferreira, 1999), entende-se por planejamento o
“trabalho de preparação para qualquer empreendimento, segundo roteiro e métodos
determinados”, ou de forma mais completa, o “processo que leva ao estabelecimento de
um conjunto coordenado de ações (pelo governo, pela direção de uma empresa, etc.),
visando à consecução de determinados objetivos”.
A palavra serviço significa, segundo Kotler (1998, p. 412):
é qualquer ato ou desempenho que uma parte possa oferecer a outra e
que seja essencialmente intangível e não resulte na propriedade de
nada. Sua produção pode ou não estar vinculada a um produto físico.
Para Grönroos (1995, p. 36):
é uma atividade ou uma série de atividades de natureza mais ou menos
intangível - que normalmente, mas não necessariamente, acontece
durante as interações entre clientes e empregados de serviço e/ou
7
recursos físicos ou bens e/ou sistemas do fornecedor de serviços - que
é fornecida como solução ao(s) problema(s) do(s) cliente(s).
2.1.2. O planejamento da prestação de serviços
A prestação de serviços possui características próprias que se diferenciam, por
exemplo, da produção de bens manufaturados. Segundo Santos (2000), destacam-se
algumas características intrínsecas dos serviços que determinam os critérios utilizados
no planejamento destes, essas são:
• intangibilidade - por não serem bens materiais, os serviços não podem ser
tocados;
• produção e consumo simultâneos - ao mesmo tempo em que está sendo
gerado, o serviço está sendo consumido;
• participação do cliente - além de usufruir o serviço, o cliente participa da
produção do mesmo.
Devido às características apresentadas, a prestação de serviços com qualidade
torna-se um problema complexo, pois ao mesmo tempo em que há necessidade de
prestar o serviço em si, tem-se que prever, de certa forma, o comportamento do cliente,
o qual terá a percepção da qualidade do mesmo. Ghobadian et al. (1994), define que a
percepção da qualidade na prestação do serviço não é um fenômeno univariado, mas
multivariado, ou seja, esta é composta de várias variáveis. Cita-se a confiabilidade,
empatia e rapidez no atendimento, a infra-estrutura e acesso disponível ao cliente, a
flexibilidade para mudanças quando necessárias, e a disponibilidade da prestação do
serviço.
Adota-se o esquema adaptado por Santos (2000), como referência de processo do
planejamento da prestação de serviços com qualidade. O mesmo é composto de
atividades que vão desde o conceito do serviço a ser prestado, passando pela infra-
estrutura necessária, e finalizando com a operação e os procedimentos de atendimento
aos clientes. O processo está apresentado na Figura 2.1.
8
Figura 2.1- Etapas no planejamento da prestação de serviçosFonte: Santos (2000)
Analisando a figura anterior, identificam-se pontos importantes para o trabalho. O
projeto e entrega do serviço dependem dos clientes e dos requisitos de desempenho.
Uma vez, com a definição do serviço que se quer prestar, destacam-se questões que
precisam ser respondidas:
• Quem são e onde estão os clientes?
• O que estes esperam?
• O que é preciso disponibilizar para atendê-los?
As respostas a essas questões podem ser obtidas com o uso de dados. Pode-se
conhecer o cliente com o uso de pesquisas primárias, no qual é construído um
questionário para a caracterização do mesmo. Uma vez definido o perfil do cliente,
pode-se quantificar, novamente com o uso de dados, o tamanho do mercado, que se
entende ser o número de clientes a atender. Com essa quantidade e mais o provável
comportamento do cliente, pode-se definir qual é a infra-estrutura necessária para o
atendimento com qualidade. Percebe-se que para a localização do ponto de presença do
serviço, tanto é necessária a definição do tamanho do mercado como da infra-estrutura
pertinente.
Portanto, nos moldes adotados, o conhecimento da realidade dos clientes, através
do uso de dados pertinentes, é uma necessidade presente no processo de planejamento
da prestação de serviços. Entende-se por uso de dados pertinentes, a aplicação de
9
técnicas estatísticas apropriadas à resolução da questão que se quer responder, ou seja,
são aplicadas técnicas de análise de dados, conforme discutido no tópico a seguir.
2.1.3. A análise de dados espaciais
A análise estatística de dados, segundo Box & Jenkis (1970) e Bussab & Morettin
(2002), é composta de duas etapas básicas:
• a descrição - que consiste da sumarização dos dados através de tabelas e
gráficos. Uma sumarização bem feita possibilita se ter uma idéia do modelo;
• a inferência - que consiste da estimação dos parâmetros dos modelos e suas
respectivas precisões com base na distribuição teórica associada aos dados.
Os modelos estatísticos clássicos assumem que os dados são independentes e
oriundos de amostras aleatórias, ou seja, estes são independentes e identicamente
distribuídos. Entretanto, na prática, dispomos de dados que possuem alguma forma de
dependência, logo a construção de modelos estatísticos mais realistas depende da
modelagem dessa dependência (Cressie, 1993, p. 2-3).
Existem diversas formas de dependência nos dados, uma delas é a espacial,
objetivo deste trabalho, que modela a dependência existente entre os dados, levando em
consideração no modelo o local de ocorrência destes. Como boas referências pode-se
citar os trabalhos de Cressie (1993) e Bailey & Gratel (1995).
Diversas áreas do conhecimento utilizam-se de modelos estatísticos espaciais para
compreender seus fenômenos, das quais podemos citar: ciências da terra, processamento
de imagens de satélites, epidemiologia, geologia, agricultura, ecologia, astronomia,
meteorologia, ciências sociais, segurança pública. (Cressie, 1993).
O uso das técnicas estatísticas espaciais requer formas de representação dos
fenômenos ocorridos espacialmente no mundo real por intermédio de alguns modelos
básicos. Segundo Klösgen & Zytkow, 2002, p. 243-244, estes são:
• quando há necessidade de representar pontualmente a localização da
ocorrência ou da intensidade de um fenômeno utiliza-se PONTOS. Exemplos:
locais de ocorrência de doenças, crimes, espécies vegetais.
• quando há necessidade de representar fenômenos do tipo fluxos ou relações
entre par de objetos utiliza-se LINHAS. A forma usual de representação é
através de grafos, onde os nós representam os objetos ou locais e as linhas
representam o fluxo ou relação entre estes. Exemplos: otimização de rotas de
10
entrega de mercadorias, análises de malhas viárias urbanas (ruas) ou rurais
(estradas).
• quando há necessidade de representar fenômenos associados a áreas (regiões
fechadas) utiliza-se ÁREAS. Este tipo de representação está quase sempre
associado a levantamentos demográficos, que por motivos de sigilo, utilizam
dados agregados (resumidos) por área. Exemplo: contagens oriundas de
censos demográficos ou estatísticas de saúde, onde as áreas podem representar
unidades da federação, municípios, bairros.
Na Figura 2.2 estão apresentadas as representações básicas dessas entidades:
Pontos
Linhas Áreas
Pontos
Linhas Áreas
Figura 2.2 - Representações básicas das entidades espaciais
Dependendo do tipo de representação dos fenômenos, segundo Câmara et al.
(2000), as seguintes análises podem ser aplicadas na compreensão de fenômenos
espaciais:
• análise de padrões de pontos - consiste em verificar se os pontos distribuem-se
aleatoriamente ou regularmente ou em aglomerados, também é possível
verificar se a ocorrência dos pontos está ligada à ocorrência de outra variável;
• análise de superfícies - reconstruir a superfície analisada por interpolação com
base na coleta de amostras, que podem estar associadas a pontos, linhas ou
áreas, necessitando-se definir o modelo de dependência espacial entre essas
amostras;
• análise de áreas - supondo que as áreas são supostamente homogêneas
internamente, mudanças importantes só ocorrem nos limites, permitindo a
determinação, por exemplo, de índices populacionais com base nas medidas
11
realizadas nessas áreas ou determinação de equações de regressão ajustadas
aos dados.
As ferramentas mais poderosas que permitem análises de dados espaciais são
conhecidas como Sistema de Informação Geográfica (SIG) que advém da tradução de
Geografical Information System (GIS). Burrough & McDonell (1998) é uma referência
completa a respeito dos conceitos básicos de SIGs.
Pode-se conceituar o SIG como:
Sistemas que realizam o tratamento computacional de dados
geográficos e manipulam a geometria e os atributos dos dados que
estão georeferenciados, ou seja, localizados na superfície terrestre e
representados numa projeção cartográfica (Câmara et al., 2000).
Os SIGs permitem a “captura, gerenciamento, manipulação, análise, modelagem e
visualização de dados espaciais” (Klösgen & Zytkow, 2002, p. 242).
Na Figura 2.3 está apresentada a estrutura básica de um SIG.
Interface
Entrada e Integração
Dados
Gerência DadosEspaciais
Visualizaçãoe Impressão
Consulta e AnáliseEspacial
Base deDadosEspaciais
Figura 2.3 - Estrutura básica de um SIGFonte: Câmara et al. (2000)
Basicamente, conforme Figura 2.3, um SIG é composto de uma gerência de base
de dados espaciais, ferramental de entrada e manipulação de dados, consulta e análises
destes, bem como permite geração de resultados em meio digital ou impressos. O acesso
a um SIG ocorre via interface tipo console (janela de comandos) ou de forma gráfica.
12
Os dados inseridos numa base espacial representam a ocorrência de um fenômeno,
e as medições dos atributos espaciais permitem aos analistas conceituar e medir objetos
geográficos e a relação entre estes, sendo os relacionamentos básicos: distância,
conectividade e direção (Miller & Wentz, 2003). Estes autores exploram os
relacionamentos e limitações existentes entre a representação espacial, a análise de
dados espaciais e as ferramentas SIG.
Os SIGs podem ser comerciais ou livres. Um bom exemplo comercial seria o
ArcGIS da ESRI (ESRI, 2004) que é composto de vários módulos. Estes vão desde um
programa SIG básico, como o ArcView, até módulos mais específicos de análise de
dados espaciais, tais como: Spatial Analyst, Business Analyst, Geostatistical Analyst,
Survey Analyst, 3D Analyst,� etc. Os livres, utilizados neste trabalho, destacam-se os
projetos SPRING (SPRING, 1992), GRASS (GRASS, 1999), TerraLib (TerraLib, 2002),
GeoDa (Anselin, 2004). A utilização das ferramentas SIGs em aplicações de prestação
de serviços é apresentada no tópico a seguir.
2.1.4. A interação planejamento da prestação de serviços e análise de dados
espaciais
A utilização de dados espaciais, na compreensão de fenômenos relacionados à
prestação de serviços, é explorado em diversos trabalhos.
O trabalho de Câmara et al. (2000) explora diversas técnicas aplicáveis ao
planejamento da prestação de serviços, as quais são: análise de eventos, de superfícies,
de áreas e modelagem dinâmica. Nesse trabalho cada técnica é exemplificada com
aplicações reais em diversas áreas de conhecimento, tais como: saúde, ecologia,
demografia, segurança.
A seguir apresentam-se aplicações mais específicas aplicadas às áreas da:
• SAÚDE - um trabalho de revisão metodológica sobre o assunto é apresentado por
Kamel-Boulos et al. (2001). Este trata do relacionamento entre espacialidade e saúde,
com relação a ecologia das doenças e serviços de saúde, bem como a utilização de
ferramentas SIG na análise espacial dos mesmos. São destacados projetos e aplicações
importantes desenvolvidos na área. O texto inicia com o exemplo pioneiro na área de
epidemiologia, desenvolvido pelo médico inglês John Snow (1813-1858), que
conseguiu identificar as causas de um surto de cólera em Londres no ano de 1854. Esse
médico, através da representação do fenômeno num mapa, possibilitou relacionar os
13
locais onde ocorreram óbitos devido à cólera com a localização dos poços de águas que
abasteciam a cidade. O texto termina com uma análise das dificuldades e possibilidades
de aplicação das ferramentas e técnicas disponíveis por parte dos planejadores da área.
Mais duas aplicações interessantes na área seriam: Pfeiffer & Hugh-Jones (2002), que
explora os uso de SIGs e algumas técnicas estatísticas espaciais para análise de dados de
epidemiologia na fauna selvagem, e Jacquez & Greiling (2003), que estuda a relação
entre a ocorrência de câncer e a poluição do ar em Long Island (Nova Iorque). No
Brasil, existe o Projeto SAUDAVEL (Sistema de Apoio Unificado para Detecção e
Acompanhamento em Vigilância EpidemioLógica), que tem como objetivo:
encontrar as respostas e produzir os instrumentos de Tecnologia da
Informação (TI) Espacial, métodos, algoritmos e produtos de
software, para dotar os sistemas de vigilância epidemiológica e de
controle de endemias, de capacidade de antecipação, a partir da
possibilidade de tratar grandes bases de dados espaço-temporais, com
dados dos SIS (Sistema de Informação em Saúde) e com dados
caracterizadores da população e de seu lugar. (SAUDAVEL, 2004).
• SEGURANÇA - o trabalho de Harries (1999) apresenta uma contextualização do
uso de mapas como forma de visualização de fenômenos aplicados a problemas de
segurança pública, mostrando técnicas e ferramentas que auxiliam pesquisadores,
criminalistas ou planejadores no estudo desses fenômenos. Também são apresentadas
aplicações e perspectivas futuras da área. Duas aplicações interessantes a citar, seriam a
de Ceccato et al. (2002), que analisa a evolução e identifica fatores associados à crimes
de roubos e vandalismos em Estocolmo, e o de Anselin (2004), que analisa ocorrências
de homicídios com relação à características sócio-econômicas de áreas pré-definidas.
No Brasil, existe o Projeto CRISP (Centro de Estudos de Criminalidade e Segurança
Pública), cujo objetivo é:
facilitar ativamente na qualificação dos profissionais da área de
segurança pública; elaborar estudos e pesquisas aplicadas e
metodológicas, de alta qualidade técnica, que procurem enfocar
problemas e questões de interesse para o combate à criminalidade;
auxiliar na construção de sistemas de informação mais adequados e
programas de controle da criminalidade. (CRISP, 2004)
14
O que há de comum entre esses trabalhos e projetos é que são geradas
informações aplicáveis pelos planejadores de serviços nas suas respectivas áreas, para
entender e resolver seus problemas, que no caso é a prestação do serviço com qualidade.
Como técnica de análise utilizam-se de métodos estatísticos espaciais, onde as
informações geradas podem ser utilizadas tanto para o projeto como para o processo de
disponibilização do serviço (Figura 2.1).
Baseado nessas aplicações, uma possível seqüência de etapas na modelagem
espacial, apresentada na Figura 2.4, para a resolução de um planejamento da prestação
de serviços pode ser:
• determinação do objetivo da análise, ou seja, a caracterização do serviço que
se quer planejar;
• definição dos dados espaciais pertinentes ao serviço. Os tipos de dados podem
ser: ambientais (ou naturais) associados à atributos da natureza, ou dados
sócio-econômicos (ou sociais) associados à atributos antropológicos;
• análise exploratória com a apresentação visual dos dados em gráficos ou
mapas para a identificação de possíveis padrões de distribuição espacial;
• análise inferencial com a aplicação de procedimentos encadeados para escolha
do modelo estatístico que explicite os relacionamentos espaciais no
planejamento do serviço.
Caracterizaçãodo Serviço
AnáliseExploratória
Definiçãodos Dados
AnáliseInferencial
Figura 2.4 - Etapas na modelagem espacial da prestação de serviços
Com base na Figura 2.4, nota-se que é possível retornar ao passo anterior,
redefini-lo e prosseguir com a modelagem, sendo um processo iterativo.
Resumidamente, o que se procura é descrever e modelar o fenômeno espacial da forma
mais apropriada e realista possível, visando gerar informações pertinentes ao
planejamento dos serviços.
15
2.2. Dados Espaciais
A primeira etapa da análise estatística espacial na modelagem do problema é a
criação de uma base de dados espaciais pertinente à análise. Como critérios para a
criação da mesma, deve-se levar em consideração, dentre outros:
• a definição do nível de detalhamento geográfico; e
• os dados necessários na análise, devidamente associados ao mapeamento.
2.2.1. Granularidade geográfica
Granularidade geográfica será definida como o menor nível de detalhamento
possível de representação de dados espaciais num mapa. Como exemplo, pode-se citar
as representações a serem desenvolvidas neste trabalho, pontos e áreas, conceituadas a
seguir.
Nas representações por pontos, o intuito é localizar pontualmente a ocorrência de
um determinado fenômeno. Existem basicamente duas formas de inserção de pontos
num mapeamento: uma através da localização com o uso de um sistema de coordenadas
na superfície terrestre (por exemplo, coordenadas geográficas ou UTM - Universal
Transverse Mercator), e outra por intermédio do endereço correio (logradouro e
respectivo número).
No primeiro caso, há necessidade de compatibilidade das coordenadas medidas
com relação ao mapa georeferenciado, existindo necessidade de precisão, tanto por
parte do mapeamento com relação à geometria, como pelo instrumento de medição da
coordenada (GPS - Global Position System). Essa forma de inserção pode ser usada
tanto em áreas urbanas como em áreas rurais.
O segundo caso consiste da localização do ponto pelo seu logradouro e número.
Neste não há necessidade de precisão do mapa com relação à geometria, porém precisa-
se da numeração das edificações para a localização do ponto. Na prática, geralmente
têm-se as numerações de início e fim das quadras. Essa forma de inserção é mais
adequada para áreas urbanas.
Na Figura 2.5 está representada a forma de inserção das ocorrências através de
pontos por intermédio de coordenadas e na Figura 2.6 por endereço.
16
Figura 2.5 - Inserção de pontos por coordenadasFonte: HARRIES (1999)
Figura 2.6 - Inserção de pontos por endereçoFonte: HARRIES (1999)
Alguns exemplos de dados possíveis de representação por pontos seriam sedes de
municípios, localização de empresas, estabelecimentos comerciais, escolas, postos de
saúde, espécies vegetais, delegacias, local da ocorrência de crime, etc.
Nas representações por áreas, tem-se a representação do fenômeno associado a
uma região bem definida. Diferentemente dos pontos, não se tem de forma precisa a
ocorrência do fenômeno, entretanto essa forma de representação é muito usada na
prática. Para exemplificar, será apresentada a estrutura de divisão territorial utilizada
pelo IBGE, no ano de 2001, nas suas pesquisas demográficas, onde o Brasil é dividido
na seguinte seqüência hierárquica de regiões: 27 Unidades da Federação ⇔ 137
Mesorregiões ⇔ 558 Microrregiões ⇔ 5.560 Municípios ⇔ 9.947 Distritos.
Além dessas divisões, alguns municípios brasileiros ainda possuem seus Distritos
subdivididos em Subdistritos e/ou Bairros. Todos os municípios brasileiros estão
também subdivididos em setores censitários, construídos de modo a representar em
17
média 300 domicílios em áreas urbanas e 150 em áreas rurais. Para o Censo 2000, o
Brasil foi dividido em 215.811 setores censitários. Na Figura 2.7 está exemplificada a
estrutura de divisão adotada pelo IBGE:
Figura 2.7 - Estrutura de divisão geográfica adotada pelo IBGEFonte: IBGE (1997)
Então a primeira definição que o planejador precisa fazer é decidir qual a
granularidade geográfica desejada para modelar a prestação do serviço. Entretanto o
mesmo não pode esquecer de verificar a existência de dados compatíveis com sua
definição de granularidade. Por exemplo, dados sócio-econômicos existem associados a
áreas e não a pontos. A inserção e definição de dados em mapeamento serão discutidas
na seção seguinte.
2.2.2. Dados espaciais
Dados espaciais são observações possíveis de representação no espaço, como por
exemplo na superfície terrestre, com atributos associados. No caso de um ponto
representando a sede de um município, ter-se-ia associado ao mesmo, sua população,
quantidade de domicílios, número de escolas, hospitais, postos de saúde, delegacias, etc.
Os tipos de dados espaciais correspondem às formas de representação dos
fenômenos espaciais, citados no item 2.1.4. Neste trabalho será utilizado o formato
Shape da ESRI (ESRI, 1998) que armazenam a geometria e os atributos (dados) de um
Brasil Unidades da Federação Mesorregiões
MicrorregiõesMunicípios
18
conjunto de dados espaciais. Escolheu-se esse formato por ser um padrão aceito e
intercambiável na maioria das ferramentas que permitem análises de dados espaciais,
maiores detalhes podem ser visto em ESRI (1998). Esse tipo de formato é composto de
três arquivos: um com extensão SHP, onde está armazenada a geometria do
mapeamento; outro com extensão DBF, que corresponde aos dados associados a cada
elemento da geometria; e finalmente um de extensão SHX, que possibilita a conexão
entre as entidades da geometria e o(s) seu(s) respectivo(s) atributo(s).
Esquematicamente na Figura 2.8 está a representação desse tipo de formato.
Figura 2.8 - Estrutura do formato Shape da ESRI
Uma condição necessária para se trabalhar com dados espaciais é a existência de
um identificador em cada entidade do mapeamento. No caso de uma base de pontos,
cada um deve ter uma identificação, da mesma forma para as áreas. Pode-se utilizar a
Figura 2.8 como exemplo, supondo-se que a área da esquerda tem o ID “Aa” e a da
direita “Bb”, logo estas têm, respectivamente, associadas os valores 2 e 3 como
atributos.
Muitas vezes os mapeamentos disponíveis possuem poucos atributos, fazendo
necessária a inserção de outros dados nos mesmos para planejar a prestação do serviço,
conforme será visto no item a seguir.
2.2.3. Inserção de novos dados
A inserção de novos dados exige do planejador o levantamento e associação
desses dados ao mapeamento. No levantamento, faz-se necessário a consulta de várias
fontes de informação disponíveis. Considera-se como fonte de informação, órgãos que
perfazem pesquisas com qualidade e periodicidade. Seguem alguns exemplos destas:
• o IBGE com suas pesquisas sócio-econômicas;
19
• o portal do Instituto de Pesquisa Econômica Aplicada (IPEA), o IPEADATA,
com séries macroeconômicas;
• os portais do governo, como o Ministério do Trabalho e Emprego (MTE), o
Banco Central (BC), Ministério da Saúde (DataSUS), Ministério da Educação
(MEC);
• as entidades de classes, associações e sindicatos; e
• empresas de pesquisa de mercado.
Uma vez levantado os novos dados, com base num mapeamento formato Shape,
procede-se da seguinte forma à inserção desses:
• descobrir qual variável é a identificadora das entidades no mapeamento, bem
como o formato da mesma. Esta variável é denominada de ID (identificação);
• na tabela dos novos dados deve-se ter uma coluna com a mesma variável
identificadora, mesmo ID, nas respectivas informações de cada entidade;
• utilizando-se de um gerenciador de banco de dados, ou de um GIS que
possibilita a inserção de novos dados, fazer a união das tabelas, ou seja, incluir
no arquivo DBF do mapeamento original os novos dados, que serão as novas
colunas das variáveis levantadas;
• atualizar o arquivo DBF do formato Shape.
Para exemplificar o procedimento, será utilizado um mapeamento da região
metropolitana de Florianópolis. Essa região é composta de 9 municípios: Águas
Mornas, Antônio Carlos, Biguaçu, Florianópolis, Governador Celso Ramos, Palhoça,
Santo Amaro da Imperatriz, São José, São Pedro de Alcântara. A representação dos
mesmos por entidades do tipo polígono (áreas) está apresentada na Figura 2.9.
Figura 2.9 - Municípios da região metropolitana de Florianópolis
20
Na Tabela 2.1 estão apresentados os dados disponíveis associados às áreas do
mapeamento. Nota-se que as informações disponíveis são, respectivamente:
identificação (ID), nome do município (NOME), sigla da unidade da federação (UF) e
população (POP).
Tabela 2.1 - Dados disponíveis no mapeamentoID NOME UF POP
420060 Águas Mornas SC 5390420120 Antonio Carlos SC 6434420230 Biguaçu SC 48077420540 Florianópolis SC 342315420600 Governador Celso Ramos SC 11598421190 Palhoça SC 102742421570 Santo Amaro da Imperatriz SC 15708421660 São José SC 173559421725 São Pedro de Alcântara SC 3584
Fonte: IBGE, Censo 2000
Caso exista necessidade de inserir informações a respeito da infra-estrutura desses
municípios, levantou-se os dados apresentados na Tabela 2.2.
Tabela 2.2 - Novos dados para inserçãoID Dom TxAnalf pAgua pEsgoto pLixo pEnergia
420060 1418 0,0794 0,1594 0,1601 0,7095 1,0000420120 1748 0,0673 0,2958 0,5148 0,8090 1,0000420230 13404 0,0674 0,7830 0,6672 0,9124 0,9973420540 106138 0,0308 0,8972 0,9281 0,9915 0,9986420600 3347 0,0764 0,8986 0,6587 0,9791 0,9920421190 28036 0,0561 0,8968 0,8815 0,9471 0,9977421570 4384 0,0603 0,7746 0,8368 0,9148 0,9960421660 50908 0,0432 0,9639 0,9222 0,9801 0,9986421725 1086 0,0698 0,4796 0,3529 0,7266 0,9824
Fonte: IBGE, Censo 2000
Na Tabela 2.2, tem-se as informações: identificação (ID), a chave primária de
ligação com os dados do mapeamento; número de domicílios particulares permanentes
(Dom); proporção de pessoas de 10 ou mais anos de idade que não sabem ler nem
escrever um bilhete simples (txAnalf), de domicílios particulares permanentes com rede
geral de abastecimento de água (pAgua), com rede geral de esgoto ou fossa séptica
(pEsgoto), com coleta de lixo por serviço de limpeza (pLixo) e com existência de
iluminação elétrica (pEnergia).
Através de um gerenciador de base de dados, no exemplo utilizou-se o Microsoft
Access, proceder da seguinte forma:
21
• importar a tabela do arquivo DBF do mapeamento;
• importar a tabela com os novos dados;
• fazer uma consulta de união entre essas duas tabelas, utilizando-se da variável
ID como chave primária de ligação entre as duas tabelas, o objetivo é inserir as
novas variáveis da Tabela 2.2 como novas colunas do arquivo DBF do
mapeamento;
• com a união das duas tabelas, exportar a tabela do mapeamento e substituir o
arquivo DBF original, automaticamente por intermédio do arquivo SHX, as
novas variáveis estarão associadas as entidades do mapeamento.
Após a atualização do arquivo DBF do formato Shape, o mapeamento atualizado,
conterá a Tabela 2.1 acrescida das 6 últimas variáveis apresentadas na Tabela 2.2,
totalizando 10 variáveis disponíveis.
2.3. Ferramentas Computacionais
Nesta parte são apresentadas ferramentas computacionais que possibilitam aplicar
as técnicas desenvolvidas para os processos pontuais e de áreas a serem discorridos no
capítulo seguinte. São apresentadas as características, forma de utilização e as técnicas
disponíveis. Enfatizou-se a Linguagem R e seus pacotes de análise espacial. Também
são apresentadas as ferramentas: GeoDa, TerraView e Terracrime.
2.3.1. Linguagem R
A Linguagem R é um projeto desenvolvido e mantido pela “The R Foundation for
Statistical Computing” (R Development Core Team, 2003), cujas atribuições são:
• prover suporte ao projeto, considerando o R uma ferramenta madura e
disponível para o desenvolvimento continuado, permitindo futuras inovações
em programas para estatística e computação científica;
• prover um ponto de referência paras pessoas, instituições ou empresas que
querem interagir com a comunidade que desenvolve o R;
• manter e administrar os direitos do R e sua documentação.
A Linguagem R consiste de uma plataforma computacional que segue o padrão de
programa livre com código aberto, o padrão GPL (General Public License) (GPL,
2004), sendo disponível nas plataformas UNIX, Linux, Mac, Windows.
22
A Linguagem R “corresponde a um conjunto integrado de facilidades
computacionais para manipulação de dados, cálculos e apresentação gráfica” (R
Development Core Team, 2003). Esta ferramenta é composta basicamente de uma
janela console e de uma janela de saída gráfica, apresentados na Figura 2.10 e Figura
2.11, respectivamente. Na janela console podem ser desenvolvidos programas ou
utilizados os pacotes disponibilizados no site da linguagem para a análise de dados. Os
resultados do tipo tabela são apresentados na própria janela console, as saídas gráficas
são apresentadas na janela gráfica.
Figura 2.10 - Janela console da Linguagem R
Figura 2.11 - Janela gráfica da Linguagem R
23
Dentre as características dessa ferramenta, pode-se citar:
• facilidade para manipulação e armazenamento de dados;
• conjunto de operadores para cálculos vetoriais, particularmente matrizes;
• conjunto amplo, coerente e integrado de ferramentas intermediárias para
análise de dados;
• facilidades gráficas para análise de dados com visualização on-line ou
exportação;
• linguagem de programação bem desenvolvida, simples e eficaz que inclui
condicionais, laços, funções recursivas definidas pelo usuário e facilidades de
entrada e saída;
• por ser orientada a objeto, permite desenvolvimento via linguagens C, C++ e
Fortran.
Ao abrir a Linguagem R, aparecerá a janela console e automaticamente alguns
pacotes, denominados básicos, com operações básicas são carregados, como por
exemplo: operações matriciais, cálculo de estatísticas descritivas (média, desvio padrão,
mínimo, mediana, máximo...), criação de tabelas de freqüência ou de contingência.
Pacotes específicos de análise necessitam ser baixados dos sites CRAN (Comprehensive
R Archive Network) e Bioconductor, isto é possível através do menu [Packages], opções
[Install packages from...]. Neste mesmo menu pode-se carregar ou atualizar pacotes já
baixados, através das opções [Load package] e [Update packages from CRAN],
respectivamente.
Para utilizar alguns pacotes há necessidade de carregamento prévio de outros, essa
dependência pode ser verificada na documentação disponibilizada com cada pacote. Os
pacotes básicos que são automaticamente carregados e suas respectivas descrições estão
listados na Tabela 2.3.
Tabela 2.3 - Pacotes básicos da Linguagem R e suas respectivas descriçõesPacote Descrição
base funções R básicas
datasets bases de dados R básicas
grDevices dispositivos gráficos para construção de gráficos e grades
graphics funções R para gráficos básicos
grid capacidade de layout gráfica mais suporte para interações
24
methods definição formal de métodos e classes de objetos R, e outras ferramentas de
programação
splines classes e funções para regressões tipo spline
stats funções R estatísticas
stats4 funções estatísticas usando classes S4 do S-Plus
tcltk interface e linguagem para os elementos Tcl/Tk GUI
tools ferramentas para desenvolvimento e administração de pacotes
utils funções úteis R
Fonte: R Development Core Team, 2003
Os pacotes que possibilitam análise espacial podem ser agrupados em 3 grupos:
• especialistas - que têm como objetivo específico a análise espacial de dados;
• não-especialistas - que permitem análise espacial de dados, mas este não é o
seu objetivo principal; e
• auxiliares - que auxiliam os dois grupos anteriores de pacotes na manipulação
dos dados espaciais.
Os pacotes especialistas, não-especialistas e auxiliares estão listados na Tabela
2.4.
Tabela 2.4 - Pacotes especialistas, não-especialistas e auxiliares da Linguagem R e suasrespectivas descrições
Pacote Descrição
Especialistas
fields ferramentas para dados espaciais
geoR funções para análise de dados geoestatísticos
geoRglm pacote para modelos espaciais lineares generalizados
gstat modelagem geoestatística uni e multivariada, predição e simulação
R2WinBUGS execução do WinBUGS para R
RandomFields simulação e análise de campos aleatórios
sgeostat estrutura orientada a objeto para modelagem geoestatística em S+
spatstat análise de padrões de pontos espacial, simulação e ajuste de modelo
spdep dependência espacial: matriz de pesos, estatísticas e modelos
splancs análise de padrões de pontos espacial e tempo-espacial
vardiag pacote para diagnósticos em variogramas
Não especialistas
akima interpolação de dados espaçados irregularmente
25
gam modelos aditivos generalizados
grasper análises de regressão generalizadas e predições espaciais para R
kernlab laboratório de métodos kernel
KernSmooth funções para alisamento kernel para Wand & Jones (1995)
lme4 modelos de efeitos mistos lineares usando classes S4
nlme modelos de efeitos mistos lineares e não lineares
Pastecs pacote para análise de séries ecológicas no tempo-espaço
sm-kernel métodos de alisamento: Bowman & Azzalini (1997)
tripack triangulação de dados espaçados irregularmente
Auxiliares
GRASS interface entre o sistema de informação geográfica GRASS 5 e R
mapproj projeções de mapas
maps desenho de mapas geográficos
maptools ferramentas para leitura e manipulação de arquivos tipo Shape
RArcInfo funções para importar dados das coberturas binárias Arc/Info V7.x
RMySQL interface R para a base de dados MySQL
RODBC accesso a base de dados ODBC
ROracle interface R para a base de dados Oracle
shapefiles leitura e escrita de arquivos tipo Shape da ESRI
Xgobi interface para os programas XGobi e XGvis para análise gráfica de dados
Fonte: R Development Core Team, 2003
Neste trabalho são exploradas as funcionalidades dos pacotes básicos mais o
pacote especialista spdep e o auxiliar maptools.
2.3.2. GeoDa
O sistema GeoDA (Geographical Data Analisys) é um projeto desenvolvido pelo
grupo de pesquisa SAL (Spatial Analysis Laboratory) da Universidade de Illinois,
descrito em Anselin (2004).
O GeoDA consiste de um sistema desenvolvido com a ferramenta MapObjects da
ESRI (ESRI, 2004) para as plataformas Linux e Windows. Este sistema é um programa
livre, porém não possui código aberto. Este é composto basicamente de uma janela
principal, apresentada na Figura 2.12, a partir de onde é possível realizar as análises
26
sobre o mapeamento. O formato de entrada do mapeamento é o Shape, apresentado na
seção 2.2.
Figura 2.12 - Janela principal do GeoDA
Para abrir um mapa, acessar o menu [File] e escolher a opção [Open Project].
Aparecerá a janela apresentada na Figura 2.13, basta escolher o arquivo na opção [Input
Map (*.shp)] e a variável de identificação das entidades (pontos ou áreas) na opção [Key
Variable].
Figura 2.13 - Janela de abertura de mapeamento
Com o mapeamento aberto, através dos menus podem-se realizar as análises sobre
os dados espaciais. Essa ferramenta permite realizar as seguintes tarefas:
• Manipulação de dados espaciais;
• Visualização e consulta sobre os atributos das entidades espaciais;
• Construção de histogramas, diagrama de caixas, gráficos de dispersão e
cartogramas;
27
• Determinação de estatísticas espaciais;
• Ajuste de modelos de regressão espaciais.
2.3.3. Projeto TerraLib
O projeto Terralib, tecnologia desenvolvida por pesquisadores brasileiros, permite
a criação de ferramentas computacionais com possibilidade de análise de dados
espaciais, sendo o TerraView e TerraCrime exemplos de ferramentas já criadas.
2.3.3.1. TerraLib
O projeto Terralib é desenvolvido pelo grupo de pesquisa do INPE (Terralib,
2004). Esse projeto surgiu a partir do desenvolvimento da ferramenta SPRING
(SPRING, 2004), um dos pioneiros ambientes GIS, disponibilizado livremente com
funcionalidades de análise de dados espaciais.
O projeto TerraLib consiste de uma biblioteca de funcionalidades de análise de
dados espaciais que possibilita a construção de ferramentas GIS. Da mesma forma que a
Linguagem R, este projeto segue o padrão de programa livre com código aberto, o
padrão GPL.
2.3.3.2. TerraView
O sistema Terraview consiste de um sistema computacional gráfico desenvolvido
a partir da biblioteca TerraLib para as plataformas Linux e Windows. Consiste de uma
parceria entre o INPE, o Laboratório de Estatística Espacial (LESTE-UFMG), o
Laboratório de Estatística e Geoinformação (LEG-UFPR), a Escola Nacional de Saúde
Pública Sergio Arouca/Centro de Informação Científica e Tecnológica/Centro de
Pesquisa Aggeu Magalhães (ENSP/CICT/CPqAM-FIOCRUZ) e o Centro de Estudos de
Desigualdades Socioterritoriais (CEDEST).
O objetivo é disponibilizar um ambiente gráfico com funcionalidades de análise
de dados espaciais e exemplificar a utilização da biblioteca TerraLib. Esta ferramenta é
composta basicamente de uma janela principal, apresentada na Figura 2.14, a partir de
onde é possível realizar as análises sobre o mapeamento. Da mesma forma que o
GeoDA, um dos formatos de entrada do mapeamento é o Shape (pontos, linhas ou
áreas). Além desse formato, pode-se importar também dados matriciais (grades e
imagens). Os mapeamentos abertos são armazenados em SGBD (Sistema Gerenciador
28
de Base de Dados) relacionais ou georelacionais, incluindo Microsoft Access,
PostGress, MySQL e Oracle.
Figura 2.14 - Janela principal do TerraView
Para inserir dados espaciais, primeiramente há necessidade de criar a base de
dados onde os mesmos serão armazenados, através do menu [Arquivo], opção [Banco
de dados] sendo que aparecerá a janela apresentada na Figura 2.15. A operação a ser
definida é [Criar], precisa-se definir o SGBD com a opção [Tipo de Banco de Dados], o
diretório através do botão [Diretório] e o nome da base de dados na opção [Nome do
Banco de Dados].
Figura 2.15 - Janela de criação da base de dados
29
Para importar um mapa no formato Shape, basta acessar o menu [Arquivo], opção
[Importar Dados...], sendo que aparecerá a janela apresentada na Figura 2.16. Há
necessidade de definir o arquivo através do botão [Arquivo...], a projeção geográfica
com o botão [Projeção...], o nome do mapa na opção [Nome do Plano] e a variável de
identificação na opção [Coluna de Ligação].
Figura 2.16 - Janela de importação de arquivo formato Shape
Quando tem-se conhecimento da projeção geográfica, a definição da mesma será
realizada como na Figura 2.17. Precisa-se definir a [Projeção], o [Datum] e alguns
[Parâmetros] quando necessários.
Figura 2.17 - Janela de definição da projeção geográfica
Com o mapeamento devidamente carregado, através dos menus pode-se realizar
as análises sobre os dados espaciais. Essa ferramenta tem o objetivo de disponibilizar
recursos de consulta a base de dados espaciais, permitindo visualizar o mapeamento,
30
realizar consultas sobre os dados, construir cartogramas, possibilitar a determinação de
estatísticas espaciais e a estimação de superfícies.
2.3.3.3. TerraCrime
O sistema TerraCrime consiste de um projeto de desenvolvimento conjunto sobre
a biblioteca TerraLib e o sistema TerraView pelo DPI-INPE (Departamento de
Processamento de Imagens) e o LESTE-UFMG (Laboratório de Estatística Espacial). A
ferramenta é disponibilizada para a plataforma Windows.
Esse projeto foi desenvolvido para Secretaria Nacional de Segurança Pública
(SENASP) com o intuito de aplicar as técnicas de análises espaciais na área de
Segurança Pública. O programa disponibilizado possui a mesma janela e
funcionalidades do TerraView apresentada na Figura 2.14.
Com o conhecimento das ferramentas computacionais que permitem realizar
análises de dados espaciais, no próximo capítulo são apresentadas alguns métodos
estatísticos aplicáveis à dados representáveis por pontos e áreas. Cada técnica é
exemplificada com o uso das ferramentas computacionais descritas.
31
CAPÍTULO 3 - TÉCNICAS DE ANÁLISE
Neste capítulo são apresentadas técnicas de análise em que o fenômeno espacial
pode ser modelado por pontos e por áreas, denominados, respectivamente processo
pontual e processo de áreas. São apresentadas técnicas exploratórias ou descritivas e
também, técnicas inferenciais ou de modelagem. No processo pontual são vistos: o tipo
de distribuição dos pontos, a existência de agrupamentos e a estimação de superfícies.
No processo de áreas são mostradas: as formas de apresentação dos dados, tipo de
distribuição dos mesmos, a existência de agrupamentos e o ajuste de modelos de
regressão espacial. Os cálculos realizados nesse capítulo serão realizados na Linguagem
R e as respectivas listagens de comandos estão apresentadas no Apêndice A.1. Os
mapas foram construídos pela Linguagem R, programas GeoDa e TerraView.
3.1. Processo Espacial
Segundo Cressie (1993), entende-se por processo espacial um processo aleatório
Z(s), onde s é a localização da ocorrência do processo num espaço de análise definido
D, cuja representação é dada por:
{Z(s): s ∈ D} (3.1)
O processo espacial definido em (3.1) é a representação matemática do serviço a
ser planejado, representado através dos dados espaciais. Logo, dependendo da
granularidade geográfica desses dados têm-se uma representação mais específica do
processo. No caso da granularidade ser ponto, temos um processo pontual, se a
representação for áreas, temos um processo de áreas.
3.1.1. Processo pontual
Um processo pontual refere-se à representação de um conjunto de dados atrelados
as suas respectivas localizações pontuais que estão associados a eventos de interesse
dentro da região de estudo. Nesse caso, com referência à expressão (3.1), Z(s)
representa a localização dos pontos e D um espaço euclidiano, geralmente em ℜ2
quando está se trabalhando num plano, ou ℜ3, quando se trabalha em três dimensões.
Neste processo, as informações mínimas necessárias são a identificação dos
pontos e as coordenadas dos mesmos. Se os pontos representarem tipos diferentes de
32
fenômenos (qualidades) ou se existirem medidas associadas (quantidades), mais
informações são necessárias. Por exemplo se os locais de ocorrência representam
crimes, pode existir uma variável com o tipo do mesmo, tais como: furto, roubo,
homicídio, etc.
Na Figura 3.1, elaborada com a Linguagem R, está apresentado um processo
pontual em ℜ2, que representa a distribuição das sedes dos municípios catarinenses.
Figura 3.1 - Processo pontual da localização das sedes dos municípios catarinensesFonte: IBGE
Cada ponto possui: identificação (ID), coordenadas geográficas (LAT=latitude e
LON=longitude), a mesorregião a que pertence (MESO), o nome do município
(NOME), a área do município em Km2 (AREA) e a população do Censo 2000 (POP).
33
Na Tabela 3.1 está apresentado as informações associadas a cada sede de município
catarinense, há somente uma amostra de municípios, sendo que a tabela completa está
no Apêndice A.3.
Tabela 3.1 - Informações associadas às sedes de uma amostra de municípios catarinensesID LAT
(graus)LON
(graus)MESO NOME AREA
(Km2)POP
(habitantes)420005 -27,6111 -51,0225 03 Abdon Batista 198,0 2775420010 -26,5647 -52,3283 01 Abelardo Luz 1037,7 16440420020 -27,4117 -49,8256 04 Agrolândia 192,3 7810420030 -27,2650 -49,7111 04 Agronômica 116,7 4257420040 -26,9978 -51,5561 01 Água Doce 1321,2 6843420050 -27,0703 -52,9867 01 Águas de Chapecó 139,1 5782420055 -26,8800 -52,8592 01 Águas Frias 76,9 2525420060 -27,6939 -48,8236 05 Águas Mornas 327,9 5390420070 -27,7003 -49,3336 05 Alfredo Wagner 733,4 8857420075 -27,4575 -51,8789 01 Alto Bela Vista 104,2 2098
... ... ... ... ... ... ...Fonte: IBGE, Censo 2000
3.1.2. Processo de áreas
Um processo de áreas refere-se à representação de uma contagem de eventos
atrelados as suas respectivas áreas, que são supostas homogêneas internamente e as
alterações somente ocorrem entre os limites dessas, isto é, dentro da região de estudo.
Nesse caso, com referência à expressão (3.1), Z(s) representa as contagens associadas às
áreas definidas e D refere-se ao conjunto dessas, que em inglês recebe o nome de
lattice, sendo também necessário a definição da estrutura de vizinhança entre as áreas,
tópico que será discutido na Seção 3.5.
Neste processo, a informação mínima necessária é a identificação das áreas e
associadas à essas existirão variáveis que exprimem alguma forma de resumo dos
dados, como por exemplo a região geográfica a qual pertence um município (atributo
qualitativo) ou índices populacionais associados às áreas dos municípios (atributo
quantitativo).
Na Figura 3.2, elaborada com a Linguagem R, está representado um processo de
áreas em ℜ2, que representa a distribuição dos municípios catarinenses.
34
Figura 3.2 - Processo de áreas dos municípios catarinensesFonte: IBGE
Cada área corresponde a um município catarinense e possui as mesmas variáveis
apresentadas no processo pontual na Tabela 3.1.
3.2. Análise descritiva
Esta etapa tem o objetivo de explorar a distribuição dos dados espaciais, pois
dependendo das características do serviço, necessita-se, por exemplo verificar se há
concentração ou não dos mesmos. Ela é uma etapa exploratória que dá suporte à
construção dos modelos inferenciais. Dependendo do processo (pontual ou de áreas),
existem técnicas de análise distintas. A denominação dessa etapa é ESDA (Exploratory
35
Spatial Data Analysis, ou Análise Exploratória de Dados Espaciais), cuja seqüência de
etapas resumidamente estão apresentadas a seguir:
• descrever e visualizar as distribuições espaciais em mapas;
• identificar localizações atípicas; e
• descobrir padrões de associação espaciais.
3.2.1. Análise descritiva em processos pontuais
Há necessidade de verificar se na distribuição dos pontos existe um padrão
apropriado à prestação do serviço. A disposição dos pontos pode ocorrer de três formas:
agrupados e uniformemente ou aleatoriamente distribuídos. Ao visualizar a distribuição
dos pontos, pode-se verificar se a mesma é apropriada para a prestação do serviço. Por
exemplo, se o serviço a ser ofertado depende de concentração e se ocorrer agrupamentos
na distribuição dos pontos, há indicativos da viabilidade para a prestação do mesmo.
3.2.1.1. Estatísticas descritivas
A primeira etapa consiste na representação dos pontos no mapa, conforme
apresentado na Figura 3.1, e na determinação de algumas estatísticas descritivas.
Considerando uma representação no ℜ2, os conceitos e as respectivas expressões,
quando necessárias, estão apresentados a seguir:
• Freqüência (n) - corresponde à contagem do número total de pontos.
• Densidade (d) - consiste da contagem do número total de pontos (n) por
unidade de área (A) do mapa, segundo expressão (3.2)
A
nd = (3.2)
• Centro Geométrico ( xµ , yµ ) - representa a posição média dos pontos nos dois
eixos de coordenadas (x e y), onde em cada eixo é calculado a média
aritmética das coordenadas conforme expressões em (3.3)
∑=
=n
iix x
n 1
1µ e ∑
=
=n
iiy y
n 1
1µ (3.3)
• Dispersão Espacial ( xσ , yσ ) - representa a variabilidade (desvio padrão) nos
dois eixos de coordenadas (x e y), e é dada por
36
( )∑=
µ−=σn
ixix x
n 1
21 e ( )∑
=µ−=σ
n
iyiy y
n 1
21(3.4)
Ressalta-se que as expressões em (3.4) são válidas quando se dispõe da população
dos pontos, quando se tem uma amostra troca-se o n por n-1 e o parâmetro σ é
substituído pelo estimador S, tendo-se assim uma estimativa da variabilidade dos
pontos. No caso do cálculo das médias para a determinação do centro geométrico, as
expressões para a população e para a amostra são as mesmas, sendo que os parâmetros
são denotados por µ e os estimadores por X e Y , respectivamente para os dois eixos de
coordenadas (Bussab & Morettin, 2002).
Às vezes, pode-se ter regiões no mapeamento e o objetivo ser a comparação das
distribuições dos pontos dessas, para verificar a característica de cada região. Para
exemplificar, utilizou-se a variável das mesorregiões (MESO) de Santa Catarina para
criar as regiões e exemplificar os cálculos das estatísticas descritivas apresentadas. Na
Figura 3.3 estão apresentados os pontos das sedes dos municípios sobre a divisão das
mesorregiões catarinenses, elaborado no programa GeoDA.
Figura 3.3 - Processo de pontos dos municípios catarinenses subdivididos por mesorregiãoFonte: IBGE
4201
4203
4202
4204
4205
4206
37
Na Tabela 3.2 estão apresentadas estatísticas descritivas com relação a
distribuição dos pontos dos municípios catarinenses por mesorregião, determinados na
Linguagem R. Estão apresentados a identificação (Região) e o nome (Nome) de cada
região, o número de municípios (N), a área total em Km2 (AREA), a população total
(POP), a densidade de municípios por área (d=1000⋅N/AREA), conforme expressão
(3.2), os centros geométricos ( xµ , yµ ) e dispersão espacial ( xσ , yσ ) das latitudes e
longitudes das sedes dos municípios catarinenses. Na determinação da densidade, a
multiplicação por 1.000 coloca a mesma na unidade de municípios por 1.000 Km2.
Tabela 3.2 - Estatísticas descritivas do processo de pontos dos municípios catarinensessubdivididos por mesorregião
Latitude(graus)
Longitude(graus)
Região Nome N(municípios)
AREA(Km2)
POP(habitantes)
d(muncípios/1000 Km2)
xµ xσ yµ yσ4201 Oeste
Catarinense118 27303,5 1116766 4,32 -26,8846 0,2672 -52,5058 0,7935
4202 NorteCatarinense
26 15994,4 1026606 1,63 -26,3345 0,1763 -49,6153 0,7621
4203 Serrana 30 22440,9 400951 1,34 -27,6275 0,3302 -50,4743 0,5427
4204 Vale do Itajaí 54 13022,4 1186215 4,15 -27,0624 0,2395 -49,3408 0,4678
4205 GrandeFlorianópolis
21 6977,3 803151 3,01 -27,5634 0,2129 -48,8445 0,2195
4206 SulCatarinense
44 9704,4 822671 4,53 -28,6287 0,3418 -49,3238 0,3241
Total SC 293 95442.9 5356360 3,07 -27,2552 0,7183 -50,7177 1,6407Fonte: IBGE, Censo 2000
Com base na Tabela 3.2, conclui-se que a região da Grande Florianópolis possui
praticamente a mesma densidade de municípios que o estado de Santa Catarina. As
regiões Oeste Catarinense, Vale do Itajaí e Sul Catarinense são semelhantes e possuem
valores maiores de densidades. Já as regiões Norte Catarinense e Serrana têm
aproximadamente a metade da densidade do estado. Nota-se que a dispersão das sedes é
maior com relação à longitude, isto pode ser visualizado na Figura 3.3, porém nas
regiões da Grande Florianópolis e Sul Catarinense as dispersões são semelhantes tanto
na latitude como na longitude.
38
3.2.2. Análise descritiva em processos de áreas
Da mesma forma que no processo pontual, há necessidade de verificar se na
distribuição dos dados das áreas (contagens) existe um padrão apropriado à prestação do
serviço. Esta etapa permite visualizar a distribuição das contagens associadas às áreas.
A disposição das contagens pode também ocorrer de três formas: agrupados e
uniformemente ou aleatoriamente distribuídos. Nesse tipo de processo, devido à
característica de resumo dos dados, dois critérios devem ser considerados: a definição
de índices a partir das contagens e a construção dos intervalos dos dados para
visualização no mapeamento.
3.2.2.1. Medidas e estatísticas descritivas
Devido a característica desse processo possuir dados agregados, além das
contagens pode-se construir variáveis derivadas, tais como: taxas, proporções e índices.
O objetivo de construir essas variáveis deve-se ao fato que geralmente as áreas possuem
contagens com tamanhos variados e, portanto, dessa forma consegue-se equilibrar os
valores associados às áreas para possibilitar comparações entre estas.
A construção de uma taxa (tx) ou de uma proporção (p) consiste na razão entre
uma contagem de uma determinada característica (nc) com relação ao total de elementos
da área (nt). A diferença é que numa proporção a contagem da característica representa
uma parte do total de elementos da área. Em (3.5) tem-se o cálculo de uma proporção
(p) ou uma taxa (tx).
t
c
n
np =ou tx (3.5)
Um índice (I) consiste da combinação de algumas variáveis de forma que exprima
uma característica da área, como exemplo, temos o índice de desenvolvimento humano
(IDH) que consiste da combinação das características de saúde, educação e renda das
pessoas que residem em determinado município (PNUD, 1998).
Para exemplificar, na Tabela 3.3 estão os resultados dos cálculos de uma
proporção, uma taxa e um índice numa amostra de municípios catarinenses, estes foram:
• a proporção de domicílios com abastecimento de água (PAGREDG) - que
consiste da quantidade de domicílios abastecidos com água via rede geral
39
(DAGREDG) dividido pelo total de domicílios particulares no município
(DOM), logo PAGREDG=DAGREDG/DOM;
• a taxa de arrecadação de impostos (IMPMUN) - que corresponde à
arrecadação em R$ de impostos municipais em 2000 (IMP) dividido pela
população total (POP), logo IMPMUN= IMP/POP; e
• o índice de desenvolvimento humano (IDH) - determinado pela média
aritmética dos índices de longevidade (IDH-L), de educação (IDH-E) e renda
(IDH-R) pelo Instituto de Pesquisa Econômica Aplicada (IPEA) com os dados
do Censo 2000 (PNUD, 1998), logo IDH= (IDH-L + IDH-E + IDH-R)/3.
No Apêndice A.4 está a tabela completa com os dados de todos municípios
catarinenses.
Tabela 3.3 - Cálculos de uma proporção, uma taxa e um índicenuma amostra de municípios catarinenses
ID NOME DAGREDG(domicílios)
DOM(domicílios)
PAGREDG IMP(R$)
POP(Habitantes)
IMPMUN(R$/habitantes)
IDH
420005 Abdon Batista 258 760 0,3401 15336,05 2775 5,53 0,774
420010 Abelardo Luz 1947 4262 0,4568 198740,05 16440 12,09 0,785
420020 Agrolândia 1050 2161 0,4859 121838,44 7810 15,60 0,775
420030 Agronômica 237 1207 0,1960 26161,63 4257 6,15 0,811
420040 Água Doce 825 1894 0,4354 63739,77 6843 9,31 0,809
420050 Águas deChapecó
587 1582 0,3711 45802,00 5782 7,92 0,781
420055 Águas Frias 200 660 0,3027 31061,98 2525 12,30 0,799
420060 Águas Mornas 226 1418 0,1594 54780,21 5390 10,16 0,783
420070 Alfredo Wagner 639 2421 0,2638 95720,27 8857 10,81 0,778
420075 Alto Bela Vista 178 603 0,2946 53451,00 2159 24,76 0,795
... ... ... ... ... ... ... ... ...
Fonte: IBGE, Censo 2000
A determinação de novas variáveis, conforme apresentado na Tabela 3.3, podem
ser inseridas nos mapas em ambos os processos, pois existe a variável ID que permite a
inserção. O processo de inserção está exemplificado no item 2.2.3. As novas variáveis
podem ser utilizadas nas análises.
40
3.2.2.2. Cartogramas
A forma gráfica de visualização dos dados das áreas no mapeamento é
denominada cartograma. Esta técnica consiste em colorir as áreas com uma determinada
intensidade de cor, onde cada cor corresponde a uma faixa de valores. Cada faixa de
valores corresponde a uma classe, logo cada área pertence somente a uma classe. As
formas usuais de determinação das classes são:
• uniforme - consiste na definição das classes com mesma amplitude, sendo a
amplitude de cada classe determinada conforme expressão (3.6). Esta
proporciona má representação para distribuições muito concentradas, onde a
maioria das áreas receberá a mesma cor;
nc
mínmáxervaloint
−= (3.6)
onde:
máx - valor máximo da variável;
mín - valor mínimo da variável;
nc - número de classes.
• desvio padrão - em dados com distribuição normal, a amplitude de cada classe
é definido em unidades de desvio padrão, portanto a amplitude das classes são
iguais. Calcula-se a média (µ) e desvio padrão (σ) da variável, depois se
constrói as faixas com base nos limites gerados pela expressão (3.7). A
normalidade geralmente não é válida em dados sociais;
σ±µ k (3.7)
onde:
k = 0, 1, 2 e 3.
• percentil - nesta forma, as classes são determinadas de forma que fique o
mesmo número de áreas em cada classe, para criar as mesmas organiza-se os
dados em ordem crescente de valores, definindo-se os limites das classes de
forma que garanta um número igualitário de área em cada uma delas,
conforme expressão (3.8). Esse tipo de construção pode mascarar diferenças
significativas entre os valores extremos, dificultando a análise de áreas
críticas.
41
nc
Nna = (3.8)
onde:
na - número de áreas;
N - número total de áreas;
nc - número de classes.
Considerando a variável população (POP) apresentada na Tabela 3.1, as
estatísticas descritivas, determinadas na Linguagem R, necessárias para a construção dos
cartogramas estão apresentadas na Tabela 3.4.
Tabela 3.4 - Estatísticas descritivas necessárias para a construção dos cartogramasVariável N Mínimo Máximo Média Desvio padrão
POP 293 1572 429604 18281,09 41984,62Fonte: IBGE, Censo 2000
Considerando a construção de 7 classes (nc = 7), com bases nas expressões (3.6) a
(3.8), nas expressões a seguir estão apresentadas os cálculos necessários para a
definição das classes dos cartogramas apresentados:
• uniforme: testanhabi,ervaloint 43611477
1572429604=
−= - que corresponde
a amplitude de cada classe;
• desvio padrão: ( ) testanhabik,,k 62419840918281 ±=σ±µ - aplicando os
valores de k (expressão (3.7)) chega-se aos limites de cada classe;
• percentil: áreasnc
Nna 42
7
293≅== - organizando-se os dados em ordem
crescente, a cada 42 áreas temos um limite de classe.
Nas figuras 3.4 a 3.6 estão apresentados os cartogramas da variável população dos
municípios de Santa Catarina, onde as classes foram definidas nas três formas descritas
anteriormente.
42
Figura 3.4 - Cartograma da variável população em classes do tipo uniforme
Figura 3.5 - Cartograma da variável população em classes do tipo desvio padrão
43
Figura 3.6 - Cartograma da variável população em classes do tipo percentil
Com base na Figura 3.4, nota-se que a maioria das áreas recebeu a mesma cor,
isto ocorreu dada a concentração de municípios catarinenses com população abaixo do
limite superior da primeira classe (62.179 pessoas).
Segundo a Figura 3.5, nota-se que a maioria das áreas também recebeu a mesma
cor, que representa os municípios que têm população abaixo da média do estado em até
no máximo um desvio padrão, totalizando 235 municípios, isto ocorre pois a
distribuição da população nos municípios não é normal.
Com base na Figura 3.6, nota-se que uma distribuição igualitária de municípios
em cada classe, ficando aproximadamente 42 em cada uma, isto pode mascarar
diferenças existentes entre os municípios mais populosos em relação aos com menor
população.
Baseado nas análises dos cartogramas apresentados, nota-se a importância que o
planejador tem que dar na construção das classes que representam os dados no
cartograma, pois uma má escolha pode prejudicar a análise descritiva em mapa, no caso
específico do exemplo, ter-se-ia que construir classes baseadas nos portes dos
municípios. Um exemplo de divisão de classes de municípios (IBGE, 2004) seria:
• muito pequenos - até 5.000 habitantes;
44
• pequenos - entre 5.000 e 25.000 habitantes;
• médios - entre 25.000 100.000 habitantes;
• grandes - entre 100.000 e 500.000 habitantes;
• muito grandes - acima de 500.000 habitantes.
3.3. Análise inferencial
Esta etapa tem o objetivo de construir modelos que melhor representam a
distribuição espacial dos dados, com o intuito de gerar resultados aplicáveis à prestação
dos serviços. Os modelos construídos têm como base os resultados encontrados na
análise descritiva. As técnicas descritas podem ser aplicadas aos dois processos em
estudo (pontual ou de áreas).
3.3.1. Matriz de dependência espacial
A matriz de dependência espacial contém a relação de vizinhança (ou
dependência) entre os dados espaciais, ou seja, a estrutura que formaliza o arranjo
espacial dos dados e suas potenciais interações. A relação de dependência baseia-se em
medidas de proximidade, sendo que essa é determinada por critérios de contigüidade ou
por distância.
O termo contigüidade significa que os dados espaciais possuem limites comuns,
sendo esse tipo de dependência aplicado ao processo de áreas. Considera-se vizinho a
uma determinada área todas as outras áreas que possuem limites em comum.
Por distância considera-se vizinho, dado uma referência, todo e qualquer dado
espacial com distância inferior a um determinado valor máximo, ou seja, quem possui
distância inferior a esse máximo é considerado vizinho. Esse tipo de critério aplica-se
aos processos pontual e de áreas.
Com base na Figura 3.7, exemplifica-se a determinação da vizinhança do
município de São José (SJ) (área central no mapa) com relação aos demais municípios
da região metropolitana de Florianópolis. Por critério de contigüidade, nota-se que os
municípios vizinhos a este são: Florianópolis (FL), Palhoça (PA), Biguaçu (BI), São
Pedro de Alcântara (SP) e Antônio Carlos (AC).
45
Figura 3.7 - Municípios da região metropolitana de Florianópolis, município de São José emdestaque
A partir da determinação da vizinhança, constrói-se a matriz de dependência
espacial que corresponde à representação matemática que formaliza o arranjo espacial.
A construção dessa matriz se inicia com a identificação dos vizinhos através de uma
matriz de “zeros” e “uns”. Recebe “um” o elemento que é considerado vizinho. A
matriz final conterá os pesos atribuídos a cada vizinho. Ela será uma matriz de
vizinhança normalizada com base em algum critério. Um dos critérios mais utilizados é
a normalização nas linhas, ou seja, a vizinhança de um elemento é dividida igualmente
entre todos seus vizinhos. Outros métodos de normalização podem ser encontrados em
Anselin (2003).
Para exemplificar será construída a matriz de dependência espacial entre os
municípios da região da grande Florianópolis apresentados na Figura 3.7. Como critério
de vizinhança será considerado a contigüidade e a normalização será por linha. As
seguintes abreviaturas serão utilizadas nas tabelas 3.4 e 3.5: AM (Águas Mornas), AC
(Antônio Carlos), BI (Biguaçu), FL (Florianópolis), GC (Governador Celso Ramos), PA
(Palhoça), SA (Santo Amaro da Imperatriz), SJ (São José) e SP (São Pedro de
Alcântara).
BIGCBI
AC
FLSJSP
AM SA PA
46
Tabela 3.5 - Identificação dos vizinhos por contigüidadeMunicípios AM AC BI FL GC PA SA SJ SP
AM 0 0 0 0 0 0 1 0 1AC 0 0 1 0 0 0 0 1 1BI 0 1 0 0 1 0 0 1 0FL 0 0 0 0 0 0 0 1 0GC 0 0 1 0 0 0 0 0 0PA 0 0 0 0 0 0 1 1 1SA 1 0 0 0 0 1 0 0 1SJ 0 1 1 1 0 1 0 0 1SP 1 1 0 0 0 1 1 1 0
Tabela 3.6 - Matriz de dependência normalizada por linhaMunicípios AM AC BI FL GC PA SA SJ SP
AM 0 0 0 0 0 0 0,50 0 0,50AC 0 0 0,33 0 0 0 0 0,33 0,33BI 0 0,33 0 0 0,33 0 0 0,33 0FL 0 0 0 0 0 0 0 1 0GC 0 0 1 0 0 0 0 0 0PA 0 0 0 0 0 0 0,33 0,33 0,33SA 0,33 0 0 0 0 0,33 0 0 0,33SJ 0 0,20 0,20 0,20 0 0,20 0 0 0,20SP 0,20 0,20 0 0 0 0,20 0,20 0,20 0
A matriz de dependência espacial é importante, pois a mesma é utilizada como
ponderação na determinação de estatísticas de dependência espacial e na construção de
modelos, como a técnica de regressão espacial, tópicos descritos na seqüência. Dada sua
importância, essa matriz deve ser definida pelo planejador do serviço que tem o
conhecimento da relação de vizinhança entre os dados espaciais.
Para criar a matriz de dependência de um arquivo formato Shape, pode-se utilizar
o sistema GeoDa. Para isto, deve-se acessar o menu [Tools], opções [Weights] [Create],
definindo-se o arquivo de entrada [Input file (*.shp)], o nome do arquivo de saída que
conterá a matriz de dependência espacial [Save output as], a variável de identificação
[Select an ID variable for the weights file] e o tipo de vizinhança, por contigüidade
[CONTIGUITY WEIGHT] ou por distância [DISTANCE WEIGHT], conforme
apresentado na Figura 3.8. O arquivo da matriz de dependência espacial gerada pode ser
utilizada na Linguagem R ou no próprio sistema GeoDA. O sistema TerraView possui
também a funcionalidade de criação da matriz.
47
Figura 3.8 - Janela de criação da matriz de dependência espacial
3.3.2. Autocorrelação espacial
A autocorrelação espacial consiste de um conceito derivado da correlação, o
termo “auto” refere-se que a medida é realizada sobre a mesma variável aleatória
medida em locais distintos. Segundo Tobler (1970) a Primeira Lei da Geografia diz que
“todas as coisas são parecidas, mas coisas mais próximas se parecem mais que coisas
mais distantes”. Para Cressie (1993), “a dependência (espacial) está presente em todas
as direções e fica mais fraca à medida que aumenta a dispersão na localização dos
dados”.
A autocorrelação é uma medida da dependência espacial que tem o objetivo de
verificar como varia a dependência espacial através da comparação da medida num
determinado local com seus vizinhos. O conceito de vizinho é determinado pela matriz
de dependência espacial, explorada no item anterior.
A interpretação da autocorrelação espacial é da seguinte forma: um valor de
autocorrelação nulo significa que há independência espacial, um valor positivo significa
48
que as medidas entre vizinhos tendem a ser semelhantes, um valor negativo significa
que as medidas entre vizinhos tendem a ser diferentes.
O índice de autocorrelação pode ser de dois tipos: global, quando há uma única
medida da associação para todo o conjunto de dados, ou local, quando há uma
decomposição do índice global, ou seja, cada elemento (ponto ou área) recebe um
índice, permitindo identificar padrões locais de associação espacial. Segundo Câmara et
al. (2000), a forma geral para a determinação da autocorrelação espacial é
∑ ∑= =
⋅=n
i
n
jjiijij )z,z()d(w)d(
1 1
ξΓ (3.9)
onde:
)d(Γ - é o índice de autocorrelação espacial, função da distância d;
wij (d) - corresponde aos elementos da matriz de dependência espacial entre os
elementos i e j;
ξij (zi, zj) - medida da correlação entre os elementos i e j que possuem as medidas
zi e zj, respectivamente, da variável aleatória Z que se está analisando.
3.3.2.1. Índices Globais
Com base na expressão (3.9), para determinar os índices globais de Moran (I) e de
Geary (C), as medidas de correlação estão apresentadas em (3.10) e (3.11),
respectivamente:
( )( )
( )∑
∑ ∑
=
= =
−
−−
=n
ii
n
i
n
jjiij
zz
zzzz)d(w
I
1
2
1 1(3.10)
( )
( )∑∑ ∑
∑ ∑
== =
= =−−
=n
ii
n
i
n
jij
n
i
n
jjiij
z)d(w
zz)d(w)n(
C
1
2
1 1
1 1
1
(3.11)
onde:
zi - medida da variável Z no elemento i;
zj - medida da variável Z no elemento j;
49
z - média das medidas da variável Z;
n - número de áreas.
Na Tabela 3.7 estão apresentadas as interpretações, bem como os possíveis
valores que podem assumir os índices Moran e Geary.
Tabela 3.7 - Interpretações e possíveis valores que podem assumir os índices Moran e Geary.Índice Valores Autocorrelação Interpretação
Moran (I) -1 ��,���� Negativa vizinhos tendem a ser diferentes-1 � I �+1 I = 0 Nula há independência espacial
0 < I ���� Positiva vizinhos tendem a ser semelhantesGeary (C) 1 < C ��� Negativa vizinhos tendem a ser diferentes0 � C � 2 C = 1 Nula há independência espacial
0 ��&���� Positiva vizinhos tendem a ser semelhantes
Para exemplificar o cálculo dos índices globais de Moran e de Geary utilizou-se a
Linguagem R, com base no mapeamento do processo de áreas apresentado na Figura
3.2, onde serão determinados os índices para as variáveis área (AREA) e população
(POP). Os resultados estão apresentados na Tabela 3.8.
Tabela 3.8 - Índices de Moran e de Geary das variáveisárea e população para o processo de áreas
Variável Índice ValorAREA I 0,4005
C 0,8078POP I 0,1870
C 0,9051
Com base na Tabela 3.8, na variável área, I é moderado e C é fraco-moderado,
indicando a presença de municípios semelhantes com relação ao tamanho da área,
próximos uns aos outros, isto pode ser verificado visualmente na Figura 3.2. Já para a
variável população, I é fraco-moderado e C é fraco, mas também indica a presença de
municípios com população semelhantes próximos uns aos outros.
3.3.2.2. Índices Locais
A expressão para determinar o índice local de Moran (Ii), para o elemento i, está
apresentada em (3.12):
( )∑
∑
=
==n
jj
n
jjiji
i
z
zwz
I
1
2
1 (3.12)
50
onde seus elementos são como definidos em (3.10) e (3.11).
Diferentemente do índice global de Moran, que fornece um único valor que
representa a medida de autocorrelação espacial, um índice local gera um valor para cada
elemento (pontos ou áreas) da base de dados, sendo mais sensível à existência de
padrões locais de agrupamentos, permitindo a identificação de agrupamentos de
elementos semelhantes (clusters) e de valores discrepantes (outliers).
Como exemplo, será utilizado o programa TerraView na determinação do índice
local de Moran, com base no mapeamento do processo de áreas apresentado na Figura
3.2, onde serão determinados os índices para as variáveis área (AREA) e população
(POP).
Para fazer a análise, acessar o menu [Análise], opção [Estatística Espacial...],
definindo-se a variável a ser analisada [Atributo], selecionar a opção de cálculo do
índice local [Índice de Moran Local (LISA)], escolher o tipo de vizinhança na
construção da matriz de dependência espacial [Estratégia de Construção], definir o
prefixo das colunas que são geradas [Prefixo da coluna a ser gerada], sendo que pode-se
também calcular o índice global de Moran [Índice de Moran], conforme apresentado na
Figura 3.9.
Figura 3.9 - Janela de cálculo das estatísticas espaciais no programa TerraView
51
Os resultados correspondem a colunas geradas e associadas a cada elemento da
base de dados e permitem a análise sobre o mapeamento, bem como a construção de
gráficos, resultados explorados no item a seguir.
3.3.2.3. Métodos Gráficos
Devido à característica espacial dos dados, existem também métodos gráficos para
verificar a existência de autocorrelação espacial. Os mesmos correspondem a
construção de gráficos e cartogramas que permitem verificar visualmente a existência
de padrões espaciais (Neves et al., 2000). Os métodos gráficos estão apresentados a
seguir:
• Espalhamento de Moran - consiste da construção de um gráfico de dispersão de
(Wz)i por zi. O termo (Wz) corresponde ao produto dos elementos da matriz de
dependência espacial pela variável padronizada (Z) que se está analisando. Cada
elemento da base de dados recebe um valor de (Wz)i que representa a média de seus
vizinhos e que será comparada com o seu respectivo valor da variável Z, no caso zi.,
conforme apresentado na Figura 3.10.
Figura 3.10 - Gráfico de espalhamento de MoranFonte: Câmara et al. (2000)
Com base na Figura 3.10, o gráfico é dividido em quadrantes, sendo que cada um
desses representa uma relação dos elementos com seus vizinhos. Elementos nos
quadrantes Q1 e Q2 indicam semelhança com seus vizinhos. Pontos nos quadrantes Q3 e
Q4 mostram que há diferenças entre os elementos e seus vizinhos. Portanto quanto mais
pontos nos quadrantes Q1 e Q2 a autocorrelação espacial tenderá a ser positiva e da
mesma forma, quanto mais pontos nos quadrantes Q3 e Q4 a autocorrelação espacial
52
tenderá a ser negativa. Se não existir nenhum padrão com relação aos quadrantes,
considera-se nula a autocorrelação espacial.
• Box Map - corresponde a construir um cartograma, onde cada elemento do mapa
(ponto ou áreas) será identificado conforme o quadrante do gráfico de espalhamento de
Moran que o mesmo se encontra. Esta técnica permite visualmente verificar a existência
de agrupamentos nos dados, conforme exemplificado nas figuras 5.13 e 5.14.
• Lisa Map - consiste em construir um cartograma com os índices locais de
Moran, definido no item anterior, identificando quais foram significantes, sendo que da
mesma forma que a técnica anterior, esta permite visualmente verificar a existência de
agrupamentos nos dados. A significância é observada através de simulação de troca dos
valores dos dados associados aos vizinhos dos elementos, detalhes podem ser
encontrados em Anselin (1995), sendo o método exemplificado nas figuras 5.15 e 5.16.
• Moran Map - é construído da mesma forma que o cartograma anterior, porém
além dos valores dos índices locais significantes, há também a classificação dos
elementos conforme o quadrante do gráfico de espalhamento de Moran, segundo
exemplos apresentados nas figuras 5.17 e 5.18.
Para exemplificar, será utilizado o programa TerraView na construção dos
métodos gráficos de análise, com base no mapeamento do processo de áreas
apresentado na Figura 3.2, onde os resultados para as variáveis área (AREA) e
população (POP) estão apresentados nas figuras 3.11 a 3.18. Utilizando o programa
TerraView, para calcular os valores utilizados na construção das análises gráficas, basta
clicar no botão [Executar] apresentado na Figura 3.9.
Figura 3.11 - Gráfico de espalhamento de Moran para a variável área
53
Figura 3.12 - Gráfico de espalhamento de Moran para a variável população
Com base nas figuras 3.11 e 3.12, nota-se que a variável área possui boa parte de
seus elementos nos quadrantes Q1 e Q2. Para a variável população, o mesmo não ocorre
nas mesma intensidade. Isto mostra que a análise gráfica está em sintonia com os
coeficientes de autocorrelação apresentados na Tabela 3.8, ou seja, a autocorrelação
espacial é positiva e maior para a variável área.
Figura 3.13 - Box Map para a variável área
54
Figura 3.14 - Box Map para a variável população
Nas figuras 3.13 e 3.14 estão apresentados os quadrantes do gráfico de
espalhamento de Moran em que cada município foi classificado. Nota-se que para
variável área, os municípios do centro do estado formam um grupo no quadrante Q1,
sendo que no oeste e litoral há agrupamentos de municípios em Q2. Para a variável
população, existem agrupamentos de municípios em Q2 no oeste e no centro do estado e
um pequeno grupo em Q1 no litoral indo para o norte de Santa Catarina.
Figura 3.15 - Lisa Map para a variável área
55
Figura 3.16 - Lisa Map para a variável população
Nas figuras 3.15 e 3.16 estão apresentados os índices locais de Moran,
identificando se os mesmos são significantes, em cada município catarinense. Nota-se
que para a variável área, os municípios do centro e oeste do estado formam
agrupamentos. Para a variável população, existe um pequeno agrupamento no norte do
estado.
Figura 3.17 - Moran Map para a variável área
56
Figura 3.18 - Moran Map para a variável população
Nas figuras 3.17 e 3.18 estão apresentados os índices locais de Moran,
identificando se os mesmos são significantes, e o quadrante em que cada município
catarinense foi classificado. Nota-se que para a variável área, os municípios do centro
formam um agrupamento em Q1 e no oeste do estado há a formação de um
agrupamento em Q2. Para a variável população não há indicação de agrupamentos em
quadrantes.
3.3.3. Estimação de superfícies
Esta técnica tem como objetivo criar uma superfície contínua com base na
distribuição dos dados espaciais, ou seja, estimar a ocorrência da intensidade dos
eventos em qualquer local da região em estudo, por intermédio da interpolação entre os
pontos observados.
O estimador kernel (Bailey e Gatrell, 1995) “foi originalmente desenvolvido para
obter uma estimativa suave de uma densidade de probabilidade univariada ou
multivariada de uma amostra de casos observada...”. A partir da estimação da superfície
é possível identificar pontos “quentes”, que significam os locais de concentração de
determinado tipo de ocorrência.
A forma geral da estimação de uma superfície (Bailey e Gatrell, 1995) é dada por:
57
( )
−=∑
= ττλ i
n
i2
ssI)s(ˆ
12
1(3.13)
onde:
I(s) - é uma função de distribuição de probabilidade, escolhida de forma adequada
para construir uma superfície contínua sobre os dados;
τ - denominada largura de faixa, controla o amaciamento da superfície gerada;
s - representa uma localização qualquer na área de estudo;
si - são as localizações dos eventos observados;
n - representa o número de eventos.
Exemplos de funções I(s) utilizadas estão apresentadas a seguir, em (3.14) está
uma função de quarta ordem, já em (3.15) está o kernel gaussiano (Câmara et al., 2000).
( )( )213
iss)s(I −−=π
(3.14)
−−
=2
2
2
2
1 τ
πτ
)ss( i
e)s(I (3.15)
Para exemplificar uma função de superfície, o estimador de intensidade resultante
com a aplicação de (3.14) em (3.13) está apresentado a seguir:
( )2
2
2
12
13
−−=∑
= τπτλ i
n
i2
ss)s(ˆ (3.16)
O princípio utilizado na determinação da estimativa de cada valor da superfície,
num processo pontual, está exemplificado na Figura 3.19.
�Si
S
� (s)
�Si
S
� (s)
Figura 3.19 - Princípio do estimador de densidade aplicado a um processo pontualFonte: Câmara et al. (2000) adaptado
58
Como exemplo, será construída a superfície da distribuição das sedes dos
municípios catarinenses, conforme apresentado na Figura 3.1, utilizando o programa
TerraView. Para construir a superfície, acessar o menu [Análise], opção [Mapa de
Kernel...], aparecerá a janela apresentada na Figura 3.20, onde é necessário definir:
• a grade - na opção [Seleção da Grade] [Região de Suporte], escolher se
existirá uma região de referência sobre a qual será estimada a superfície. No
exemplo, a superfície criada terá como grade de referência a área do estado de
Santa Catarina;
• o nome - na opção [Resultados] [Nome do Plano], escolher o nome da
superfície;
• o tipo de evento - na opção [Conjunto de Dados] [Eventos], escolher o tipo de
entidade, podendo ser pontos ou áreas, utilizada para a construção da
superfície. No exemplo, foram utilizados os pontos das sedes dos municípios
catarinenses; e
• a forma de cálculo - na opção [Algoritmo], opção [Função] escolher a função
de estimação da superfície. No exemplo, foi utilizada a função representada na
expressão (3.16), sendo que a largura de faixa (τ) foi determinada
automaticamente com base na própria distribuição dos pontos.
Figura 3.20 - Janela para estimação de superfície do programa TerraView
59
Com base nos atributos definidos na Figura 3.20, a superfície resposta resultante
está apresentada na Figura 3.21. Nessa figura, quanto mais a cor tender para o vermelho
maior é a amplitude de λ(s), do contrário, quanto menor a amplitude, a cor tenderá para
o azul. Nota-se que a maior concentração de municípios ocorre no oeste catarinense,
que corresponde ao agrupamento de pequenos municípios encontrados no item anterior.
Figura 3.21 - Superfície estimada com base na distribuição das sedes dos municípioscatarinenses
3.3.4. Modelos de Regressão espacial
As técnicas de modelagem estatística são utilizadas para o entendimento de
fenômenos diversos, tantos os de origem natural, como por exemplo o estudo de plantas
e microorganismos, como os de origem social, como crescimento populacional,
natalidade e mortalidade. Uma das técnicas de modelagem mais difundidas é a Análise
de Regressão.
A escolha do modelo de regressão apropriado que modela o fenômeno em estudo
ocorre quando o pesquisador tem simultaneamente um bom conhecimento da teoria e
realiza aplicações de situações reais (Neter et al., 1996). Basicamente há necessidade de
definição de como é a forma de relacionamento entre a variável dependente e as
possíveis variáveis independentes, de maneira que as premissas do modelo sejam
atendidas, como por exemplo nos modelos lineares, a homogeneidade de variância e a
distribuição normal dos resíduos. Um outro ponto importante é verificar se as
60
observações são independentes, caso contrário, é necessário modelar a dependência
entre estas de maneira que o modelo final esteja bem ajustado. Uma forma de
dependência entre os dados é a dependência espacial, que pode ocorrer sempre que o
fenômeno é espacialmente distribuído (Cressie, 1993).
Se existir forte tendência ou autocorrelação espacial, os resultados do ajuste do
modelo serão influenciados, podendo apresentar associação estatística onde não existe
(e vice-versa). Um procedimento preliminar de análise é medir a autocorrelação espacial
dos resíduos de uma regressão ajustada sem a inclusão da modelagem da dependência
espacial, e no caso de existir significância estatística, incluir os efeitos espaciais ao
modelo.
Os modos de incorporação da dependência espacial podem ser de duas formas
gerais: as estruturas com efeitos espaciais globais e as estruturas com efeitos espaciais
locais (Câmara et al., 2000).
Os modelos de efeito global explorados são: o auto-regressivo espacial (Spatial
AutoRegressive - SAR ou Spatial Lag) e o condicional auto-regressivo (Conditional
AutoRegressive - CAR ou Spatial Error) (Bivand, 1998).
Os modelos de efeito local apresentados são: os regimes espaciais, superfície de
tendência e o modelo ponderado espacialmente (Geographically Weighted Regression -
GWR) (Câmara et al., 2000).
3.3.4.1. Spatial Lag
Este modelo de regressão modela a dependência espacial na variável resposta. A
forma matricial desse modelo está apresentada na expressão (3.17).
0X�WYY ++= ρ (3.17)
onde:
]xn[ 1Y - é o vetor da variável dependente observada;
]qxn[X - é a matriz de especificação do modelo de posto completo q;
]xq[ 1� - é o vetor de coeficientes desconhecidos;
]nxn[W - é a matriz de pesos da estrutura de dependência espacial modelada
ρ - é o coeficiente espacial autoregressivo desconhecido;
61
]nx[ 10 - são erros aleatórios normais com média nula e variância constante σ2;
n - número de elementos na base de dados.
Conforme pode ser visto em (3.17), a dependência espacial é modelada na própria
variável resposta, cuja intensidade da dependência é representada pelo coeficiente
regressivo ρ. Isto significa que a resposta de um determinado elemento depende
também dos valores dos seus vizinhos, o indicativo de vizinhança é definido pela matriz
de pesos W.
Para estimar os parâmetros (ββ, ρ e σ2) de (3.17), utiliza-se o método de máxima
verossimilhança, que se constitui na maximização do logaritmo da função de
verossimilhança, apresentada em (3.18), ver Ord (1975) e Bivand (1998).
( ) ))(()(ln)ln(n
)ln(n
,,l X�YAX�YA� −−σ
−+σ−π−=ρσ −22
22
2
1
22
2(3.18)
onde:
)(nxnnxnnxn
WIA ρ−= .
Para testar se o coeficiente autoregressivo ρ é diferente de zero, neste caso utiliza-
se a estatística LMφ, conforme procedimento descrito em Anselin et al. (1996).
3.3.4.2. Spatial Error
Este modelo de regressão modela a dependência espacial no resíduo. A forma
matricial desse modelo está apresentado na expressão (3.19).
u+= X�Y (3.19)
onde: 0W +λ= uu
Y, X, ββ, W, εε e n são os mesmos definidos em (3.17);
]xn[ 1u - é o erro aleatório modelado com a dependência espacial;
λ - é o coeficiente espacial autoregressivo desconhecido.
Segundo a expressão (3.19), a dependência espacial é modelada nos erros
aleatórios, que possuem um componente aleatório e normal (εε) e um componente que
modela a dependência espacial (u), sendo a intensidade da dependência representada
pelo coeficiente regressivo λ. Isto significa que o erro aleatório de um determinado
62
elemento depende também dos erros dos seus vizinhos, sendo o indicativo de
vizinhança definido, também, pela matriz de pesos W.
Para estimar os coeficientes de (3.19), segue-se o mesmo procedimento descrito
no item anterior, sendo o logaritmo da função de verossimilhança igual a expressão
(3.18), sendo reapresentado em (3.20).
( ) ))()((ln)ln(n
)ln(n
,,l X�YAX�YA� −−σ
−+σ−π−=λσ −22
22
2
1
22
2(3.20)
onde:
)(nxnnxnnxn
WIA λ−= ;
Para testar se o coeficiente autoregressivo λ é diferente de zero, neste caso utiliza-
se a estatística LMψ, conforme procedimento descrito em Anselin et al. (1996).
Para exemplificar a utilização dessa técnica, será ajustada uma regressão espacial
entre a população dos municípios catarinenses em função das respectivas áreas dos
mesmos em Km2, utilizando a Linguagem R. Serão utilizados os modelos spatial lag e o
spatial error, sendo que será ajustado somente o melhor modelo. Para o ajuste dos
modelos será considerado que os dados dos municípios catarinenses correspondem a
uma amostra de uma população maior de municípios. Essa consideração justifica o uso
de testes estatísticos sobre os coeficientes determinados.
Na Tabela 3.9 estão apresentados os resultados dos testes obtidos com a aplicação
das estatísticas LMφ e LMψ para verificação da dependência espacial dos modelos
apresentados nas expressões (3.17) e (3.19) para a variável população em função da área
do município.
Tabela 3.9 - Teste da dependência espacial para apopulação em função da área do município
Teste Estatística Valor pLMφ 25,860 <0,0001LMψ 42,613 <0,0001
Pelo tabela anterior, conclui-se que ambos os coeficientes espaciais
autoregressivos são significativos, sendo assim para a escolha do melhor modelo
utilizou-se o critério de Akaike (AIC), conforme descrito em Akaike (1987). O modelo
que apresentou o menor valor de AIC foi o modelo spatial error.
63
Na Tabela 3.10 estão apresentados os coeficientes, erros padrões e valor p, bem
como o coeficiente espacial autoregressivo do modelo espacial ajustado.
Tabela 3.10 - Modelo spatial error para a população em função da da área do municípioFator Estimativas dos
CoeficienteErro padrão Valor p
Intercepto 498,516 4511,233 0,9120AREA 51,982 7,763 <0,0001
λ 0,415 0,059 <0,0001
O modelo de regressão ajustado, com base na expressão (3.19), está apresentado a
seguir:
415098251516498 ,ˆeAREA,,POP =λ+=
Interpretando o coeficiente da variável área na expressão anterior, significa dizer
que a cada 1Km2 de área há aproximadamente 52 habitantes nos municípios
catarinenses. O coeficiente autoregressivo foi altamente significativo e representa uma
autocorrelação positiva média entre os resíduos e seus respectivos vizinhos.
3.3.4.3. Outros modelos
Uma outra forma de modelar a dependência espacial é a utilização de modelos
com regimes espaciais. Nestes, a dependência espacial é modelada com a segmentação
dos dados em regiões geográficas. A forma matricial desse modelo, considerando
apenas duas regiões, está apresentada na expressão (3.21).
22222
11111
índice
índice
,
,
0�XY
0�XY
+=+=
(3.21)
onde:
Y, X, ββ e εε são os mesmos definidos em (3.17)
Índice 1 - sub-região 1
Índice 2 - sub-região 2
Neste tipo de modelo, conforme o número de elementos em cada região, tem-se o
tamanho de cada matriz. Para a estimação desse tipo de regressão utilizam-se todos os
dados ao mesmo tempo, porém é necessária a informação da região que cada elemento
da base de dados pertence. Em Câmara et al. (2000) explana-se esse tipo de modelagem.
64
Há, também, a regressão ponderada geograficamente, tradução do inglês
geographically weighted regression (GWR). Neste tipo de regressão, a dependência
espacial é modelada sobre os coeficientes a serem estimados. A forma matricial desse
modelo está apresentada na expressão (3.22).
0X�Y += )s()s( (3.22)
onde:
Y(s) - é o vetor da variável dependente que pode ser determinado em qualquer
localização s
X - é a matriz de especificação do modelo;
ββ(s) - é o vetor de coeficientes estimados em qualquer localização s;
εε - são erros aleatórios normais com média nula e variância constante σ2.
Neste modelo, cada coeficiente é estimado localmente em s, como o próprio nome
diz, ponderado em função da distribuição dos dados espaciais. Detalhes sobre esse tipo
de modelagem são encontrados em Fotheringham et al. (2002).
No próximo capítulo a exemplificação do uso das técnicas de análise é feita com
uma aplicação desenvolvida na área de Segurança Pública. Serão construídos modelos
estatísticos para analisar taxas de criminalidade de furto e roubo de veículos e de
residência com a utilização das ferramentas computacionais apresentadas.
65
CAPÍTULO 4 - APLICAÇÃO EM DADOS DE SEGURANÇAPÚBLICA
O intuito desse capítulo é apresentar uma aplicação prática de técnicas de análise
estatística espacial em dados de segurança pública, cujo objetivo é identificar fatores
sócio-econômicos associados aos furtos e roubos em residências e de veículos nos
municípios catarinenses utilizando a técnica de análise de regressão. Os dados de
criminalidade foram obtidos junto a Secretaria de Estado de Segurança Pública e Defesa
do Cidadão do Estado de Santa Catarina e o conjunto de possíveis fatores associados foi
obtido de Órgãos Oficiais de Pesquisa. Como variáveis objetivo foram construídas taxas
de criminalidade associadas aos tipos de crimes escolhidos. Os possíveis fatores
levantados estão relacionados à composição da família, migração, educação, infra-
estrutura de moradia e renda. Os dados levantados estão agregados ao nível de
município, sendo os mesmos possíveis de representação em mapa, correspondendo a
dados espaciais.
Na análise de regressão, da mesma forma que em outros trabalhos (Ceccato et al.,
2002), o modelo de regressão inicialmente utilizado no estudo corresponde ao da
regressão linear ordinária, e visto que os dados podem ser representados espacialmente,
será incluída na modelagem a dependência espacial entre os mesmos (Bivand &
Gebhardt, 2000), através do ajuste dos modelos espaciais spatial lag e spatial error. As
ferramentas computacionais utilizadas na análise foram a Linguagem R e o sistema
GeoDA.
4.1. Materiais e Métodos
Para o desenvolvimento do trabalho realizou-se as seguintes etapas:
• levantamento dos dados e taxas;
• definição das ferramentas computacionais; e
• ajuste dos modelos de regressão.
4.1.1. Dados e Taxas
Os dados de criminalidade são referentes ao número de ocorrências registradas
pelas Polícias Civil e Militar durante o ano de 2000 nos municípios do Estado de Santa
Catarina. Foram quantificados os seguintes tipos de crime: furtos e roubos em
66
residência e furtos e roubos de veículos. Nas expressões a seguir estão apresentadas as
taxas de criminalidade construídas, ou seja, as variáveis respostas. Na expressão (4.1)
está apresentada a taxa de furtos e roubos em residência.
1000⋅=Domic
FRRes tFRRes (4.1)
onde:
tFRRes - taxa de furtos/roubos em residência por mil residências;
FRRes - número de furtos/roubos em residência;
Domic - total de domicílios no município (IBGE-Censo 2000).
Na expressão (4.2) está apresentada a taxa de furtos e roubos de veículos.
1000⋅=Veic
FRVeic tFRVeic (4.2)
onde:
tFRVeic - taxa de furtos/roubos de veículos por mil veículos;
FRVeic - número de furtos/roubos de veículos;
Veic - total de veículos no município (DETRAN/SC-2002), utilizou-se o ano de
2002 por não ter acesso aos dados de 2000.
Nas figuras 4.1 e 4.2 estão representadas num cartograma do tipo desvio padrão,
as taxas de criminalidade associadas aos municípios de Santa Catarina. Este é
construído a partir da média das taxas, onde os intervalos das classes são de ± 1 desvio
padrão. Os tons de azul representam os municípios com taxa de criminalidade abaixo da
média e as cores “quentes” representam os municípios com taxas acima da média das
taxas do Estado.
Para verificar a existência de autocorrelação espacial nas taxas de criminalidade,
será calculado o índice de Moran, conforme apresentado na expressão (3.10), com a
Linguagem R. Para a taxa de furtos/roubos em residências por mil residências o valor
foi de 0,3909, indicando uma autocorrelação moderada. Para a taxa de furtos/roubos de
veículos por mil veículos o valor foi de 0,2364, indicando uma autocorrelação fraca-
moderada. Em ambas as taxas, a autocorrelação foi positiva, indicando a existência de
dependência entre as taxas de municípios vizinhos.
67
Figura 4.1 - Cartograma da taxa de furtos e roubos de residências
Figura 4.2 - Cartograma da taxa de furtos e roubos de veículos
Os possíveis fatores associados às taxas de criminalidade foram obtidos junto aos
Órgãos Oficiais de Pesquisa, os quais foram: Instituto Brasileiro de Geografia e
Estatística (IBGE), Instituto de Pesquisa Econômica Aplicada (IPEA), Ministério do
Trabalho e Emprego (MTE) e Ministério da Fazenda (MF). Os dados foram agregados
ao nível de município. Na Tabela 4.1 estão apresentados estes possíveis fatores
associados juntamente com sua descrição, bem como as respectivas fontes de
Std. Deviatiom: TFRRES
Std. Deviatiom: TFRVEIC
68
informação. Buscou-se levantar os fatores por grupo de caracterização, para facilitar a
organização e interpretação dos mesmos.
Tabela 4.1 - Descrição dos possíveis fatores associadosGrupo Fator Descrição [Unidade] Fonte - Ano
Famílias Simples(PFAMSIMP)
domicílios com somente uma famíliadividido pelo total de domicílios [%]
Família
Domicílios com até 2moradores por dormitório
(PDEDOR2)
domicílios com até 2 moradores pordormitório dividido pelo total de
domicílios [%]
IBGE - Censo2000
Migração Migrantes até 10 anos(PTEMOR10)
habitantes migrantes que moram nomáximo até 10 anos no municípiodividido pela população total [%]
IBGE - Censo2000
Educação Taxa de Analfabetismo(TANALF)
pessoas de 10 ou mais anos de idadeque não sabem ler nem escrever umbilhete simples dividido pelo total da
população com 10 anos mais [%]
IBGE - Censo2000
Rede Geral de Água(PAGREDG)
domicílios com abastecimento de águavia rede geral dividido pelo total de
domicílios [%]Rede Geral de Esgoto
(PESGOT)domicílios com rede geral de esgotodividido pelo total de domicílios [%]
Coleta de Lixo(PLIXO)
domicílios com coleta de lixo porserviço de limpeza dividido pelo total
de domicílios [%]Energia Elétrica
(PILUM)domicílios com energia elétrica dividido
pelo total de domicílios [%]
IBGE - Censo2000
Imposto Municipal per capita(IMPMUN)
arrecadação em R$ de impostosmunicipais dividido pela população
total [R$/pessoa]
MF - 2000
Infra-estrutura
IDH(IDH)
Índice de Desenvolvimento Humano [-] IPEA - 2000
Desemprego aberto(PSREMUN)
habitantes economicamente ativos(idade entre 10 e 65 anos) que não
tinham trabalho remunerado nasemana de referência dividido pela
população economicamente ativa [%]Renda Domiciliar per Capita
(RDDOMPEA)soma da renda domiciliar de todos os
domicílios dividido pela populaçãoeconomicamente ativa no município
[R$/pessoa]
IBGE - Censo2000
Índice Gini(GINI)
grau de concentração da rendadomiciliar per capita [-]
IPEA - 2000
Renda
Nível de Emprego(VARREL)
diferença entre o número dedesligamentos e admissões durante odecorrer do ano dividido pelo estoquede empregados no início do ano [%]
MTE - 2000
Na Tabela 4.2 estão apresentadas as estatísticas descritivas dos possíveis fatores
associados, bem como das taxas de criminalidades analisadas, todas determinadas com a
Linguagem R. No Apêndice A.4 está a tabela completa com os dados de todos
municípios catarinenses.
69
Tabela 4.2 - Estatísticas descritivas dos possíveis fatoresassociados e das taxas de criminalidade
Variável Mínimo 1ºQuartil Mediana 3ºQuartil Máximo Média Desvio PadrãoTFRVEIC 0,00 0,00 0,00 1,56 14,87 1,16 2,02TFRRES 0,00 4,12 7,84 13,42 110,13 11,48 14,36PFAMSIMP 57,47 92,56 94,07 95,32 99,68 93,58 3,74PDEDOR2 56,99 81,85 84,93 87,64 95,76 84,28 5,13PTEMOR10 4,09 15,01 19,36 24,53 70,97 21,02 9,30TANALF 0,87 4,96 6,98 9,33 19,29 7,43 3,17PAGREDG 0,00 29,84 47,96 69,45 96,39 49,76 23,61PESGOT 0,00 24,04 51,78 75,59 97,82 49,24 29,60PLIXO 0,00 36,80 55,82 80,58 99,45 57,45 26,14PILUM 66,10 96,44 98,68 99,71 100,00 96,78 5,10IMPMUN 0,00 7,96 12,39 24,28 341,93 25,61 42,72IDH 0,68 0,77 0,80 0,81 0,88 0,79 0,03PSREMUN 29,81 46,28 52,08 56,61 84,09 52,05 8,21RDDOMPEA 120,19 266,86 324,80 387,81 865,60 338,94 108,37GINI 0,39 0,48 0,52 0,56 0,72 0,53 0,06VARREL -43,48 -1,06 2,47 6,58 166,51 3,80 14,94
Com base na Tabela 4.2, pode-se verificar as amplitudes de variação para cada
fator associado e para as taxas de criminalidade. As variáveis PFAMSIMP, PDEDOR2,
PTEMOR10, TANALF, PAGREDG, PESGOT, PLIXO, PILUM, PSREMUN e
VARREL são medidos em pontos percentuais (%). O IDH e o GINI são adimensionais
e variam entre 0 e 1. As variáveis IMPMUN e RDDOMPEA são medidas em R$ por
pessoa.
4.1.2. Ferramentas computacionais
O programa para visualização e manipulação dos dados no mapeamento escolhido
foi o GeoDA (Anselin, 2004). Este possibilita realizar análises exploratórias de dados
espaciais em entidades do tipo pontos e áreas. Como característica, este é um ambiente
gráfico de interface com o usuário.
Para o ajuste dos modelos de regressão escolheu-se a Linguagem R (R
Development Core Team, 2003). Esse ambiente disponibiliza o que existe de mais atual
em técnicas de análises estatísticas, visto que a Linguagem R contém um conjunto
integrado de facilidades computacionais para manipulação de dados, cálculos e
apresentação gráfica. O pacote do R utilizado para o ajuste dos modelos foi o Spatial
Dependence - spdep (Bivand, 2004).
70
Os dados analisados foram agregados ao nível de município, correspondente aos
293 municípios de Santa Catarina, o mapeamento utilizado consistiu do produto do
IBGE denominado Malha municipal digital do Brasil: situação em 1997 (IBGE, 1997).
4.1.3. Modelos de Regressão
Para a modelagem das taxas de criminalidade apresentadas nas expressões (4.1) e
(4.2) em função dos possíveis fatores associados apresentados na Tabela 4.1,
primeiramente ajustou-se um modelo linear ordinário e em seguida verificou-se a
necessidade de ajustar um modelo linear com dependência espacial. Os modelos estão
apresentados a seguir.
O modelo linear ordinário ajustado para cada taxa está apresentado por:
0X�Y += (4.3)
onde:
]x[ 1293Y - é a taxa de criminalidade conhecida e associada a cada município ou
variável dependente;
]qx[ 293X - é a matriz de especificação do modelo de posto completo q, que
corresponde aos dados dos possíveis fatores associados ou variáveis
independentes;
]xq[ 1� - é o vetor de coeficientes desconhecidos;
]x[ 12930
- é o resíduo supostamente aleatório com média nula e variância
constante.
Os modelos lineares com dependência espacial ajustados, denominados spatial
lag e spatial error estão apresentados em (3.17) e (3.19), respectivamente e transcritos a
seguir.
0WYX�Y +ρ+= (4.4)
e
0WuX�Y +λ+= (4.5)
onde:
]x[ 293293W - é a matriz de pesos da estrutura de dependência espacial modelada;
71
ρ e λ - são os coeficientes espaciais autoregressivos desconhecidos.
Visto que trabalha-se com todos os municípios catarinenses, isto é com toda a
população e não uma amostra, a seleção dos possíveis fatores associados não foi
realizada pela significância estatística dos coeficientes (teste de hipóteses), mas sim pela
intensidade da relação de cada fator com a respectiva taxa de criminalidade. Então o
procedimento utilizado para o ajuste dos modelos de regressão foi o seguinte:
• inseriu-se os fatores individualmente, ajustando um modelo linear ordinário,
verificando a intensidade de cada fator na respectiva taxa de criminalidade. Essa
intensidade é analisada através do incremento nessa taxa proporcionada pela variação de
uma unidade do fator em questão;
• os fatores que proporcionaram maior contribuição foram selecionados e
geraram um modelo linear múltiplo ordinário. A medição da contribuição na taxa destes
fatores foi com base num município com 50.000 veículos e com 50.000 residências. A
escolha desses números de veículos e residências foi devido a estes gerarem
contribuições nas taxas na ordem de unidades, possibilitando identificar os fatores que
mais contribuem para as respectivas taxas;
• ajustado o modelo linear múltiplo ordinário, partiu-se para a análise da
dependência espacial entre as taxas, através do ajuste dos modelos apresentados em
(4.4) e (4.5), sendo que o modelo que apresentar o maior coeficiente autoregressivo (ρ
ou λ) foi o escolhido.
Existem diversas formas de modelagem da estrutura de dependência espacial.
Uma das principais formas é através da contigüidade entre os elementos analisados, que
no caso são os municípios catarinenses. A estrutura de dependência entre as taxas
utilizada foi a de primeira ordem (Anselin, 2003), onde somente municípios com linhas
limítrofes em comum são considerados vizinhos. A estrutura de dependência, então, é
modelada por uma matriz de pesos, que representa a contigüidade entre os municípios.
A mesma é normalizada nas linhas, ou seja, a vizinhança de um município é dividida
igualmente entre todos seus vizinhos.
Graficamente, na Figura 4.3 está apresentada a estrutura da dependência espacial
entre os municípios catarinenses, onde as linhas representam o relacionamento de
vizinhança.
72
Figura 4.3 - Representação gráfica da estrutura de dependência espacial
4.2. Resultados
Na Tabela 4.3 estão apresentados as unidades de referência, os coeficientes
determinados para cada fator separadamente e a respectiva contribuição destes para as
taxas de criminalidade estudadas.
Tabela 4.3 - Contribuição dos fatores associados as taxas de criminalidade
Variável UnidadeCoeficientesTFRVEIC
ContribuiçãoTFRVEIC
CoeficientesTFRRES
ContribuiçãoTFRRES
PFAMSIMP 1% 0,0464 2 0,4447 22PTEMOR10 1% 0,0972 5 0,9949 50TANALF 1% -0,1169 -6 -0,7506 -38PAGREDG 1% 0,0332 2 0,2466 12PESGOT 1% 0,0254 1 0,1823 9PLIXO 1% 0,0342 2 0,2690 13PILUM 1% 0,0668 3 0,4190 21PDEDOR2 1% -0,0091 0 -0,2028 -10PSREMUN 1% -0,0162 -1 -0,0318 -2RDDOMPEA 1R$ 0,0058 0 0,0310 2GINI 0.01 - 4,6770 2 31,3820 16IDH 0.01 - 12,1360 6 75,7400 38IMPMUN 1R$ 0,0221 1 0,2071 10VARREL 1% -0,0088 0 -0,0697 -3
73
Os fatores selecionados para a taxa de furtos e roubos de veículos foram:
PTEMOR10, TANALF, PILUM e IDH. Já para a taxa de furtos e roubos em residências
estes foram: PFAMSIMP, PTEMOR10, TANALF, PLIXO, PILUM, PDEDOR2,
PAGREDG, GINI, IDH e IMPMUN.
Para exemplificar a interpretação, considerando a variável PTEMOR10
(percentual de habitantes migrantes que moram no máximo até 10 anos no município),
fator significante nas duas taxas, a contribuição na taxa de furtos e roubos de veículos
significa que, considerando dois municípios com 50.000 veículos, se um possuir 1% a
mais de migrantes, ocorrerá 5 furtos/roubos de veículos a mais. Da mesma forma para a
taxa de furtos e roubos em residências, considerando dois municípios com 50.000
residências, se um possuir 1% a mais de migrantes, ocorrerá 50 furtos/roubos de
residências a mais.
Nas tabelas 4.4 e 4.5 estão apresentados os fatores associados significantes dos
modelos lineares múltiplos ordinários finais, bem como os resultados do ajuste dos
modelos spatial lag e spatial error para as taxas em estudo.
Tabela 4.4 - Modelos ajustados para a taxa de furtos e roubos de veículosFator Linear ordinário Spatial lag Spatial error
Intercepto -4,5881 -4,4146e -5,2276PTEMOR10 0,0917 0,0783 0,0832
TANALF -0,0349 -0,0282 -0,0331PILUM 0,0066 0,0018 0,0017
IDH 4,3497 4,6856 5,9472ρ - 0,2119 -λ - - 0,1471
Tabela 4.5 - Modelos ajustados para a taxa de furtos e roubos de residênciasFator Linear ordinário Spatial lag Spatial error
Intercepto -82,8372 -76,7140 -82,9697PFAMSIMP 0,8009 0,6909 0,8051PTEMOR10 0,5594 0,4305 0,4731
TANALF 0,0216 0,0011 -0,1333PAGREDG 0,0275 0,0701 0,0878
PLIXO 0,0787 0,0415 0,0437PILUM 0,1888 0,1338 0,1390
PDEDOR2 0,0659 0,1304 0,1644GINI 24,3614 21,8290 19,1531IDH -48,8003 -42,9030 -47,5922
IMPMUN 0,1373 0,1142 0,1299ρ - 0,3578 -λ - - 0,4212
74
Nos modelos ajustados, coeficientes positivos significam que municípios com
maiores valores nessas variáveis independentes possuem maiores taxas de
criminalidade, do contrário, coeficientes negativos indicam que as taxas são menores
quando o respectivo fator nos municípios for maior. Na taxa de furtos e roubos de
veículos escolheu-se o modelo spatial lag. Na taxa de furtos e roubos em residência
escolheu-se o modelo spatial error.
No Apêndice A.2 encontra-se a seqüência de comandos utilizados na Linguagem
R para a realização da aplicação.
4.3. Discussão
Com base nas análises realizadas chegam-se as seguintes observações:
• a taxa de furtos e roubos em residências é associada aos fatores migração,
composição da família, educação, renda e infra-estrutura;
• a taxa de furtos e roubos de veículos estava associada aos fatores migração,
educação e infra-estrutura;
• a intensidade de cada fator na taxa de criminalidade é obtida através dos
coeficientes da regressão ajustados mais a contribuição referente aos vizinhos
no caso dos modelos espaciais. A comparação nas taxas entre dois municípios
é determinada, com base na diferença entre os fatores, bem como o número de
veículos ou residências que cada município possui;
• ao chegar num modelo das taxas de criminalidade, como função de fatores,
pode-se explorar as variações desses, quantificando sua influência na
respectiva taxa de criminalidade.
75
CAPÍTULO 5 - CONCLUSÕES E TRABALHOS FUTUROS
5.1. Conclusões
Através do desenvolvimento dos trabalhos chegou-se as seguintes conclusões:
� em relação aos ambientes computacionais
� a representação de fenômenos físicos com a utilização de dados
espaciais, com o auxílio de SIGs, permite visualizar e possivelmente
compreender ou interpretar fenômenos espaciais. A diferença crucial
entre as análises estatísticas em dados convencionais com relação as
realizadas em dados espaciais é devido a necessidade de inclusão do
espaço geográfico na análise;
� as características ideais de um ambiente computacional começa com a
forma de entrada dos dados espaciais, que não deve ser complexa e
permitir a abertura de mapeamentos dos mais diversos formatos. A
visualização, manipulação e análise dos dados devem ser a mais
amigável possível, em ambientes gráficos. Os resultados devem ser
exportáveis para disponibilização dos mesmos em relatórios;
� com base nas características discutidas no item anterior, a linguagem R
apresenta certas dificuldades na forma de entrada dos dados espaciais,
pois a entrada é via janela de console e não via ambiente gráfico.
Entretanto é uma ferramenta poderosa no que diz respeito à manipulação,
visualização e análise dos dados espaciais, pois as técnicas existentes e as
que estão em desenvolvimento, na sua maioria, são disponibilizadas
nesse ambiente. Com relação a disponibilização dos resultados, esta
possui muitos recursos gráficos, permitindo gerar e exportar os resultados
em diversos formatos, tanto as tabelas como os gráficos;
� o sistema GeoDA apresenta a forma de entrada dos dados espaciais mais
simples, porém limitada ao formato Shape. Este é um ambiente SIG, que
permite manipular, visualizar e analisar dados espaciais em ambiente
gráfico, entretanto as técnicas disponíveis, são limitadas. Com relação a
disponibilização dos resultados, esta permite somente a exportação dos
76
resultados gráficos em formato bitmap e os resultados das análises em
arquivos formato texto;
� o sistema TerraView apresenta a forma de entrada dos dados espaciais de
forma simples e completa, podendo-se entrar diversos formatos de dados
espaciais. Este é um ambiente SIG, que permite manipular, visualizar e
analisar dados espaciais em ambiente gráfico. Uma grande vantagem,
também, é a possibilidade de customização da ferramenta através da
biblioteca TerraLib, permitindo a inclusão de novas técnicas. Com
relação a disponibilização dos resultados, esta permite gerar e exportar os
resultados, tanto as tabelas como os gráficos;
� o ambiente ideal, então, seria a união entre as facilidades de manipulação
de mapeamentos disponibilizados pela biblioteca TerraLib em conjunto
com as facilidades da Linguagem R, no que diz respeito às técnicas de
análise de dados espaciais, este tipo de ambiente está sendo desenvolvido
no Projeto myR (Neto et al, 2004).
� em relação aos métodos estatísticos espaciais no planejamento da
prestação de serviços
� a utilização de técnicas estatísticas espaciais em áreas de planejamento
estratégico, permite gerar conhecimento relevante e proporcionar uma
visão mais próxima da compreensão da realidade com a inserção da
geografia do problema;
� as análises descritivas (estatísticas descritivas e cartogramas) permitem
um conhecimento prévio dos dados, já possibilitando a inserção da
espacialidade na análise dos mesmos e servindo como base para a
construção de modelos estatísticos mais complexos. É uma etapa
importante, no planejamento de serviços, pois permite verificar a
localização e distribuição dos dados, levantar hipóteses sobre
relacionamentos entre variáveis e gerar subsídios para estudos com uso
de técnicas mais avançadas aplicáveis ao planejamento;
� a construção da matriz de dependência espacial e as técnicas de medição
da autocorrelação espacial permitem verificar a existência da
dependência espacial nos dados, dependência esta que deve ser modelada
77
e inserida nos modelos estatísticos desenvolvidos. Pode-se explorar, por
exemplo, estruturas de dependência espacial onde o peso da vizinhança é
proporcional ao tamanho da linha divisória entre os municípios. Da
mesma forma que a análise descritiva, estas análises permitem que o
planejador verifique a existência da dependência espacial nos dados e
utilize a mesma como um dos parâmetros no seu planejamento;
� a estimação de superfícies possibilita a identificação de locais com
incidência maior de determinado tipo de evento, os denominados pontos
“quentes”, muito utilizado nos processos pontuais. Serve também para
suavizar os resultados disponibilizados por processo de áreas, os
cartogramas. Essa técnica possibilita ao planejador identificar
agrupamentos, definir o local da ocorrência de seu mercado, bem como
definir a localização da infra-estrutura necessária para o atendimento do
serviço a ser prestado;
� a regressão espacial permite verificar e quantificar os relacionamentos
entre variáveis, com a possibilidade de incluir a dependência espacial na
análise. A perfeita aplicação dessa técnica depende muito de como é
modelada a matriz de dependência espacial. O conhecimento do
planejador nessa modelagem de como pode ser a dependência espacial,
bem como o levantamento de variáveis com possíveis relacionamentos,
possibilita ao mesmo construir um modelo estatístico de grande utilidade
no planejamento dos serviços. Também, outros modelos espaciais
poderiam ser analisados como, por exemplo, a modelagem da
dependência espacial simultaneamente na variável dependente e no
resíduo.
� em relação à aplicação na área de Segurança Pública
� possibilitou a identificação de fatores associados às taxas de furto e roubo
de veículos e em residências, bem como quantificou a intensidade da
relação entre essas taxas e os respectivos fatores que foram significantes.
Com a identificação dos fatores associados, no caso relativos à
composição da família, migração, educação, infra-estrutura e renda, o
planejador da área de Segurança Pública pode definir em quais fatores
78
deve atuar para reduzir as taxas de criminalidade. Com a análise dos
coeficientes da regressão é possível medir o impacto nas taxas de
criminalidade estudadas, quando atuar sobre algum fator associado
específico;
� o cartograma é uma ferramenta poderosa de visualização da distribuição
das taxas de criminalidade, porém há necessidade de definição, por parte
do especialista da área de Segurança Pública, dos limites das classes em
sintonia com o grau de criminalidade. Por exemplo, criar classes que
classifiquem os municípios em baixas, médias ou altas taxas de
criminalidade.
79
5.2. Trabalhos futuros
Como trabalhos futuros, vê-se a possibilidade de:
• desenvolver métodos estatísticos espaciais específicos que gerem resultados
com base no conhecimento do planejador aplicado em áreas de pesquisa, tais
como: na própria segurança pública, saúde, educação, transporte, ecologia ou
urbanismo, por exemplo.
• pode-se explorar outras taxas de criminalidade, bem como utilizar outros
possíveis fatores associados na análise, como por exemplo a inclusão da infra-
estrutura policial disponível em cada município;
• incluir o conhecimento do planejador nas técnicas de análise, como na criação
de índices, modelos, relações de dependência através de critérios de
ponderação pela proximidade, concentração ou quantificação dos dados
espaciais;
• incluir o tempo na análise, partindo para os modelos espaço-temporais que
permitem verificar a evolução no tempo, bem como realizar projeções de
aspectos relevantes na prestação de serviços em que o tempo é uma variável
importante;
• desenvolver métodos de identificação de como deve ser a estrutura de
dependência espacial, através da definição da matriz de dependência espacial,
bem como novas técnicas de diagnósticos e validação dos ajustes dos modelos
estatísticos espaciais;
• comparar as técnicas de inteligência artificial, tais como redes neural ou lógica
difusa, com relação aos métodos estatísticos espaciais disponíveis;
• explorar técnicas de análise de dados espaciais aplicáveis no planejamento de
serviços que podem ser representados por linhas.
80
REFERÊNCIAS BIBLIOGRÁFICAS
AKAIKE, H. Factor Analysis and AIC. Psychometrika. 52, 1987, 317-332.
ANSELIN, L. An Introduction to Spatial Autocorrelation Analysis with GeoDa.
2003. Disponível em: http://sal.agecon.uiuc.edu/csiss/pdf/spauto.pdf. Acessado em
14/03/2004.
ANSELIN, L. GeoDA Project. 2004. Disponível em:
http://sal.agecon.uiuc.edu/csiss/geoda.html. Acessado em 01/03/2004.
ANSELIN, L. Local Indicators of Spacial Association - LISA. Geographical Analysis.
27(2), 1995, 93-115.
ANSELIN, L; BERA, A. K.; FLORAX, R. and YOON, M. J. Simple diagnostic tests
for spatial dependence. Regional Science and Urban Economics. 26, 1996, 77-104.
BAILEY, T. and GATTREL, A. Spatial Data Analysis by Example. London. UK:
Longman, 1995.
BIVAND, R. A review of spatial statistical techniques for location studies.
Department of Geography Norwegian School of Economics and Business
Administration. 1998. Disponível em: http://www.nhh.no/geo/gib/gib1998/gib98-
3/lund.html. Acessado em 16/06/2004.
BIVAND, R. S.. Spatial dependence - spdep. Version 2.11. R package. 2004.
Disponível em: http://cran.r-project.org. Acessado em 10/02/2004.
BIVAND, R.S. and GEBHARDT, A. Implementing functions for spatial statistical
analysis using the R language. Journal of Geographical Systems, (3)2, 2000, 307-317.
BOX, G. E. P. and JENKIS, G. M. Time Series Analysis: Forecasting and Control.
San Francisco. USA: Holden Day, 1970. 2ª Edition.
BUSSAB, W.O. e MORETIN P.A. Estatística Básica. 5ª ed. São Paulo: Saraiva, 2002.
81
BURROUGH, P.A. and MCDONELL, R. Principles of Geographical Information
Systems. Oxford, USA: Oxford University Press, 1998.
CÂMARA, G., MONTEIRO, A. M. V., DRUCK, S. e CARVALHO, M. S. Análise
Espacial de Dados Geográficos. INPE/EMBRAPA/FIOCRUZ/USP. 2000. Disponível
em: http://www.dpi.inpe.br/gilberto/livro/analise/index.html. Acessado em 02/04/2003
CECCATO, V. HAINING, R. and SIGNORETTA, P. Exploring Offence Statistics in
Stockholm City Using Spatial Analysis Tools. Annals of the Association American
Geographers, 92(1), 2002, 29-51.
CRESSIE, N. A. C. Statistics for Spatial Data. New York. USA: John Wiley & Sons,
Inc., 1993. Revised Edition.
CRISP, 2004. http://www.crisp.ufmg.br. Acessado em 12 de maio de 2004.
ESRI, 2004. http://www.esri.com. Acessado em 28 de setembro de 2004.
ESRI. Shapefile Technical Description. An ESRI White Paper. 1998 Disponível em
http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf. Acessado em 28 de
setembro de 2004.
FERREIRA, A. B. de H. Novo Dicionário Aurélio - Século XXI. São Paulo. Brasil:
Editora Nova Fronteira, 1999. Meio Eletrônico.
FOTHERINGHAM, A.S., BRUNSDON, C., and CHARLTON, M.E.. Geographically
Weighted Regression: The Analysis of Spatially Varying Relationships. Chichester:
Wiley, 2002.
GPL. General Public License. 2004. http://www.gnu.org.. Acessado em 10/02/2004
GRASS Development Team. Geographic Resources Analysis and Support System
GRASS: Baylor University, Waco, Texas, 1999.
GHOBADIAN, A., SPELLER, S. and JONES, M. Service quality: concepts and
models. International Journal of Quality & Reliability Management. UK, 11(9),
1994, 43-66.
82
GRÖNROOS, C. Marketing: gerenciamento e serviços: a competição por serviços
na hora da verdade. Rio de Janeiro: Campus, 1995.
HARRIES, K. Mapping Crime: Principle and Practice. U.S. Department of Justice.
Washington, D.C: 1999. Original disponível em:
www.ncjrs.org/html/nij/mapping/pdf.html - acessado em 28/07/2003. Tradução
disponível em: www.crisp.ufmg.br/livro.htm - acessado em 12/05/2003
IBGE. Malha municipal digital do Brasil: situação em 1997. CD-rom. 1997.
IBGE. 2004. http://www.ibge.gov.br Acessado em 15 de agosto de 2004.
JACQUEZ, G. M. and GREILING, D. A. Local clustering in breast, lung and colorectal
cancer in Long Island, New York. International Journal of Health Geographics,
2003, 2:3.
KAMEL-BOULOS, M. N., ROUDSARI, A. V. and CARSON, E. R. Health Geomatics:
An Enabling Suite of Technologies in Health and Healthcare. Journal of Biomedical
Informatics, 34, 2001, 195-219.
KLÖSGEN, W. and ZYTKOW, J. M. Handbook of DATA MINING and
KNOWLEDGE DISCOVERY. New York. USA: Oxford University Press, 2002.
KOTLER, P. Administração de marketing: análise, planejamento, implementação e
controle. 5. ed. São Paulo: Atlas, 1998.
MILLER, H.J. and WENTZ, E.A. Representation and Spatial Analysis in Geographic
Information Systems. Annals of the Association American Geographers, 93(3), 2003,
574-594.
NETER, J.; KUTNER, M. H.; NACHTSHEIM, C. J. and WASSERMAM, W. Applied
Linear Regression Models. 3. ed. USA: IRWIN. 1996.
NETO, P. R. de A.; SILVA, E. S.; MELLO, T. E. B.; CARRERO, M. A. e RIBEIRO
Jr., P. J. myR - Uma Biblioteca C++ para Acesso ao R. Departamento de Estatística.
UFPR. 2004. Disponível em: www.inf.ufpr.br/~pedro/myR - acessado em 12/12/2004.
83
NEVES, M.C.; RAMOS, F.R.; E., CAMARGO, E.C.G.; CÂMARA, G.; MONTEIRO,
A.M. Análise Exploratória Espacial De Dados Sócio-Econômicos De São Paulo.
GISBrasil 2000, Salvador, 2000.
ORD, J. K. Estimation methods for models of spatial interaction. Journal of the
American Statistical Association, 70, 120-126. 1975
PFEIFFER, D.U. and HUGH-JONES M. Geographical information systems as a tool
in epidemiological assessment and wildlife disease management. Revue scientifique
et technique Office international des Epizooties, 21 (1), 2002, 91-102
PNUD. Programa das Nações Unidas Para o Desenvolvimento. Desenvolvimento
Humano e Condições de Vida: Indicadores Brasileiros. 1998.
TOBLER, W. A Computer Model Simulating Urban Growth in the Detroit Region.
Economic Geography. 46(2), 1970, 234-240.
SANTOS, L. C. Projeto e Análise de Processos de Serviços: avaliação de técnicas e
aplicação em uma biblioteca. Dissertação de Mestrado. Engenharia de Produção.
Universidade Federal de Santa Catarina. 2000.
SAUDAVEL. 2004. http://saudavel.dpi.inpe.br Acessado em 13 de setembro de 2004.
SIQUEIRA, E. Três Momentos da História das Telecomunicações no Brasil. 2. ed.
rev. São Paulo: Dezembro Editorial, 1999.
SPRING. 1992. http://www.dpi.inpe.br/spring/ Acessado em 28 de setembro de 2004
R Development Core Team. R: A language and environment for statistical
computing. R Foundation for Statistical Computing, Vienna, Austria. 2003.
Disponível em: http://www.R-project.org. Acessado em 10/02/2004.
TERRALIB. 2002, http://www.dpi.inpe.br/terralib/ Acessado em 13 de setembro de
2004.
84
APÊNDICE
A.1 Listagem da Linguagem R desenvolvida para os exemplos-figuras e tabelas
## DEFINICAO DO DIRETORIO DE TRABALHOsetwd("C:/@Juliano/PosINE/Dissertacao/Publicacao/figuras")
## CARREGAMENTO DO(S) PACOTE(S)library(maptools)
## IMPORTACAO DOS PONTOSmapaP <- read.shape("pts_sc.shp")
## CRIACAO DA TABELA DOS DADOS DOS PONTOSdadosP <- mapaP$att.data
## VISUALIZACAO DO PROCESSO PONTUAL - FIGURA 3.1plot(mapaP, xlab="Longitude [graus]", ylab="Latitude [graus]")
## IMPORTACAO DAS AREASmapaA <- read.shape("ars_sc.shp")
## CRIACAO DA TABELA DOS DADOS DAS AREASdadosA <- mapaA$att.data
## VISUALIZACAO DO PROCESSO DE AREAS - FIGURA 3.2plot(mapaA, xlab="Longitude [graus]", ylab="Latitude [graus]")
## ESTATÍSTICAS DESCRITIVAS POR MESORREGIÕES - TABELA 3.2MESO <- cbind(N=1, AREA=dadosP$AREA, POP=dadosP$POP)aggregate (MESO, list(Regiao = dadosP$MESO), sum)mean(dadosP$LAT)mean(dadosP$LON)sd(dadosP$LAT)sd(dadosP$LON)CG <- cbind(LAT=dadosP$LAT, LON=dadosP$LON)aggregate (CG, list(regiao = dadosP$MESO), mean)aggregate (CG, list(regiao = dadosP$MESO), sd)
## CARTOGRAMA COM CLASSES TIPO UNIFORME - FIGURA 3.4
## CRIACAO DOS POLIGONOSpoligonos <- Map2poly(mapaA, as.character(mapaA$att.data$ID))
## CRIACAO DOS INTERVALOSMIN <- min(dadosA$POP)MAX <- max(dadosA$POP)ND <- 5INT <- (MAX-MIN)/ND
## VISUALIZACAO DO CARTOGRAMAintervalos <- c(MIN,MIN+INT,MIN+2*INT,MAX-2*INT,MAX-INT,MAX)cores <- c("yellow2", "salmon2", "red3", "brown", "black")plot(poligonos, col=cores[findInterval2(dadosA$POP, intervalos)])legend(x=c(-54, -52), y=c(-30, -28), leglabs(intervalos), fill=cores,bty="n")
## IMPORTACAO DA MATRIZ DE VIZINHANCA GERADA PELO GEODASCr1.nb <- read.gal("ars_sc_r1.GAL", dadosA$ID.)
## TESTE DE DEPENDENCIA ESPACIAL - TABELA 3.6moran.test(spNamedVec("AREA", dadosA), nb2listw(SCr1.nb, style="W"))
85
geary.test(spNamedVec("AREA", dadosA), nb2listw(SCr1.nb, style="W"))moran.test(spNamedVec("POP", dadosA), nb2listw(SCr1.nb, style="W"))geary.test(spNamedVec("POP", dadosA), nb2listw(SCr1.nb, style="W"))
## REGRESSAO ESPACIAL POP VERSUS AREA## TESTE DE DEPENDENCIA ESPACIAL - TABELA 3.9POP.lm <- lm(POP ~ AREA, data = dadosA)lm.LMtests(POP.lm, nb2listw(SCr1.nb), test=c("LMerr", "LMlag"))## MODELO SPATIAL ERROR - TABELA 3.10POP.err.sp <- errorsarlm(POP ~ AREA, data = dadosA, nb2listw(SCr1.nb),method="sparse", quiet=FALSE)summary(POP.err.sp)
86
A.2 Listagem da Linguagem R desenvolvida para aplicação
## DEFINICAO DO DIRETORIO DE TRABALHOsetwd("C:/@Juliano/PosINE/Dissertacao/Publicacao/aplicacao")
## CARREGAMENTO DOS PACOTESlibrary(maptools)library(spdep)
## IMPORTACAO DO MAPAmapa <- read.shape("sc.shp")
## TABELA DOS DADOSdados <- mapa$att.data
## NOME DAS VARIÁVEISunlist(lapply(dados, class))
## CRIACAO DOS POLIGONOSpoligonos <- Map2poly(mapa, as.character(mapa$att.data$ID))
## CRIACAO DOS LIMITES DOS POLIGONOSlimites <- Map2bbs(mapa)
## VISUALIZACAO DOS POLIGONOSplot(poligonos, limites)
## IMPORTACAO DA MATRIZ DE VIZINHANCASCr1.nb <- read.gal("SCrook1.GAL", dados$ID)
## IMPORTACAO DOS CENTROIDEScentro <- read.table("SCcentro.csv", header = FALSE, sep = ";")
## VISUALIZACAO DA MATRIZ DE VIZINHANCAplotpolys(poligonos, centro, border="grey")plot(SCr1.nb, centro, add=TRUE)title(ylab="Latitude (graus)", xlab="Longitude (graus)")
## TESTE DE DEPENDENCIA ESPACIAL - FURTO/ROUBO AUTO/RESIDmoran.test(spNamedVec("TFRAUT", dados), nb2listw(SCr1.nb, style="W"))moran.test(spNamedVec("TFRRESID", dados), nb2listw(SCr1.nb,style="W"))
## REGRESSAO LINEAR ORDINARIA FURTO/ROUBO VEICULOS## SELECAO DE FATORESSC.lm <- lm(TFRAUT ~ PFAMSIMP, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ PTEMOR10, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ TANALF, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ PAGREDG, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ PESGOT, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ PLIXO, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ PILUM, data = dados)summary(SC.lm)
87
SC.lm <- lm(TFRAUT ~ PDEDOR2, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ PSREMUN, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ RDDOMPEA, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ GINI, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ IDH, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ IMPMUN, data = dados)summary(SC.lm)
SC.lm <- lm(TFRAUT ~ VARREL, data = dados)summary(SC.lm)
## MODELO LINEAR ORDINARIO FINALSC.lm <- lm(TFRAUT ~ PTEMOR10 + TANALF + PILUM + IDH, data = dados)summary(SC.lm)
## MODELO SARSC.lag.sp <- lagsarlm(TFRAUT ~ PTEMOR10 + TANALF + PILUM + IDH,data = dados, nb2listw(SCr1.nb), method="sparse", quiet=FALSE)summary(SC.lag.sp)
## MODELO CARSC.err.sp <- errorsarlm(TFRAUT ~ PTEMOR10 + TANALF + PILUM + IDH,data = dados, nb2listw(SCr1.nb), method="sparse", quiet=FALSE)summary(SC.err.sp)
## REGRESSAO LINEAR ORDINARIA FURTO/ROUBO RESIDENCIA## SELECAO DE FATORESSC.lm <- lm(TFRRESID ~ PFAMSIMP, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ PTEMOR10, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ TANALF, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ PAGREDG, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ PESGOT, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ PLIXO, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ PILUM, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ PDEDOR2, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ PSREMUN, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ RDDOMPEA, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ GINI, data = dados)
88
summary(SC.lm)
SC.lm <- lm(TFRRESID ~ IDH, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ IMPMUN, data = dados)summary(SC.lm)
SC.lm <- lm(TFRRESID ~ VARREL, data = dados)summary(SC.lm)
## MODELO LINEAR ORDINARIO FINALSC.lm <- lm(TFRRESID ~ PFAMSIMP + PTEMOR10 + TANALF + PAGREDG+ PLIXO + PILUM + PDEDOR2 + GINI + IDH + IMPMUN, data = dados)summary(SC.lm)
## MODELO SARSC.lag.sp <- lagsarlm(TFRRESID ~ PFAMSIMP + PTEMOR10 + TANALF+ PAGREDG + PLIXO + PILUM + PDEDOR2 + GINI + IDH + IMPMUN,data = dados, nb2listw(SCr1.nb), method="sparse", quiet=FALSE)summary(SC.lag.sp)
## MODELO CARSC.err.sp <- errorsarlm(TFRRESID ~ PFAMSIMP + PTEMOR10 + TANALF+ PAGREDG + PLIXO + PILUM + PDEDOR2 + GINI + IDH + IMPMUN,data = dados, nb2listw(SCr1.nb), method="sparse", quiet=FALSE)summary(SC.err.sp)
89
A.3 Dados dos municípios catarinenses utilizados nos exemplos
ID LAT LON MESO NOME AREA POP
420005 -27,6111 -51,0225 03 Abdon Batista 198,0 2775
420010 -26,5647 -52,3283 01 Abelardo Luz 1037,7 16440
420020 -27,4117 -49,8256 04 Agrolândia 192,3 7810
420030 -27,2650 -49,7111 04 Agronômica 116,7 4257
420040 -26,9978 -51,5561 01 Água Doce 1321,2 6843
420050 -27,0703 -52,9867 01 Águas de Chapecó 139,1 5782
420055 -26,8800 -52,8592 01 Águas Frias 76,9 2525
420060 -27,6939 -48,8236 05 Águas Mornas 327,9 5390
420070 -27,7003 -49,3336 05 Alfredo Wagner 733,4 8857
420075 -27,4575 -51,8789 01 Alto Bela Vista 104,2 2098
420080 -26,5344 -53,3314 01 Anchieta 229,9 7133
420090 -27,5686 -48,9853 05 Angelina 524,5 5776
420100 -27,6892 -51,1300 03 Anita Garibaldi 606,1 10273
420110 -27,9019 -49,1286 05 Anitápolis 576,4 3234
420120 -27,5169 -48,7675 05 Antônio Carlos 242,8 6434
420125 -27,0356 -49,3897 04 Apiúna 489,1 8520
420127 -27,1603 -52,1417 01 Arabutã 131,1 4160
420130 -26,3700 -48,7222 02 Araquari 402,6 23645
420140 -28,9347 -49,4858 06 Araranguá 298,4 54706
420150 -28,2619 -49,0175 06 Armazém 138,6 6873
420160 -26,9328 -51,3392 01 Arroio Trinta 112,3 3490
420165 -27,0744 -52,4558 01 Arvoredo 91,3 2305
420170 -26,9553 -49,3756 04 Ascurra 119,1 6934
420180 -27,4200 -49,7811 04 Atalanta 98,1 3429
420190 -27,3150 -49,6375 04 Aurora 226,4 5474
420195 -28,9839 -49,4128 06 Balneário Arroio do Silva 93,7 6043
420200 -26,9906 -48,6347 04 Balneário Camboriú 46,4 73455
420205 -26,4556 -48,6119 02 Balneário Barra do Sul 110,6 6045
420207 -29,1567 -49,5794 06 Balneário Gaivota 151,0 5450
420208 -26,7686 -53,6383 01 Bandeirante 147,3 3177
420209 -26,6544 -53,4400 01 Barra Bonita 62,4 2118
420210 -26,6322 -48,6847 04 Barra Velha 142,4 15530
420213 -26,2733 -50,4644 02 Bela Vista do Toldo 527,8 5721
420215 -26,8414 -53,5756 01 Belmonte 93,0 2588
420220 -26,7828 -49,3644 04 Benedito Novo 386,1 9071
420230 -27,4942 -48,6556 05 Biguaçu 302,9 48077
420240 -26,9194 -49,0661 04 Blumenau 510,3 261808
420243 -27,7444 -49,9444 03 Bocaina do Sul 496,4 2980
420245 -27,1317 -48,5278 04 Bombinhas 36,6 8716
420250 -28,3369 -49,6247 03 Bom Jardim da Serra 935,3 4079
420253 -26,7339 -52,3942 01 Bom Jesus 68,6 2046
420257 -26,6897 -53,0983 01 Bom Jesus do Oeste 67,2 2150
420260 -27,7972 -49,4892 03 Bom Retiro 1065,6 7967
420270 -27,1994 -49,0747 04 Botuverá 317,8 3756
90
420280 -28,2750 -49,1656 06 Braço do Norte 194,2 24802
420285 -27,3578 -49,8856 04 Braço do Trombudo 90,0 3187
420287 -27,3058 -50,8683 03 Brunópolis 336,6 3331
420290 -27,0981 -48,9175 04 Brusque 280,6 76058
420300 -26,7753 -51,0150 01 Caçador 1000,4 63322
420310 -27,0717 -53,2478 01 Caibi 178,2 6354
420315 -26,5997 -51,0972 01 Calmon 634,9 3467
420320 -27,0253 -48,6544 04 Camboriú 211,9 41445
420325 -27,9369 -50,5119 03 Capão Alto 1350,7 3020
420330 -26,1925 -49,2656 02 Campo Alegre 502,0 11634
420340 -27,8992 -50,7608 03 Campo Belo do Sul 1023,4 8051
420350 -26,3942 -53,0781 01 Campo Erê 458,4 10353
420360 -27,4017 -51,2250 03 Campos Novos 1634,7 28729
420370 -27,2650 -48,7678 05 Canelinha 151,4 9004
420380 -26,1772 -50,3900 02 Canoinhas 1143,6 51631
420390 -27,3436 -51,6119 01 Capinzal 224,8 19955
420395 -28,4447 -48,9578 06 Capivari de Baixo 47,0 18561
420400 -27,0706 -51,6617 01 Catanduvas 196,8 8291
420410 -27,1611 -52,8786 01 Caxambu do Sul 143,5 5263
420415 -27,6344 -51,3364 03 Celso Ramos 189,9 2844
420417 -27,7953 -50,8758 03 Cerro Negro 418,1 4098
420419 -27,5906 -49,5539 04 Chapadão do Lageado 113,9 2561
420420 -27,0964 -52,6183 01 Chapecó 625,4 146967
420425 -28,6011 -49,3258 06 Cocal do Sul 78,5 13726
420430 -27,2342 -52,0278 01 Concórdia 807,7 63058
420435 -26,9844 -52,6033 01 Cordilheira Alta 84,7 3093
420440 -26,9086 -52,7031 01 Coronel Freitas 234,8 10535
420445 -26,5122 -52,6692 01 Coronel Martins 99,9 2388
420450 -26,4253 -49,2431 02 Corupá 407,9 11847
420455 -27,5847 -50,3611 03 Correia Pinto 623,7 17026
420460 -28,6775 -49,3697 06 Criciúma 210,0 170420
420470 -26,8936 -53,1681 01 Cunha Porã 217,8 10229
420475 -26,9694 -53,0933 01 Cunhataí 55,3 1822
420480 -27,2828 -50,5844 03 Curitibanos 953,6 36061
420490 -26,8261 -53,5017 01 Descanso 286,0 9129
420500 -26,2550 -53,6397 01 Dionísio Cerqueira 377,1 14250
420510 -26,9847 -49,7256 04 Dona Emma 146,6 3309
420515 -26,7144 -49,4833 04 Doutor Pedrinho 375,0 3082
420517 -26,7236 -52,5606 01 Entre Rios 105,4 2857
420519 -28,9825 -49,6436 06 Ermo 64,9 2057
420520 -27,2756 -51,4419 01 Erval Velho 231,7 4269
420530 -26,8528 -52,2603 01 Faxinal dos Guedes 280,3 10767
420535 -26,7775 -53,3475 01 Flor do Sertão 65,2 1612
420540 -27,5967 -48,5492 05 Florianópolis 436,5 342315
420543 -26,6469 -52,7942 01 Formosa do Sul 95,5 2725
420545 -28,7475 -49,4722 06 Forquilhinha 184,0 18348
420550 -27,0261 -50,9214 01 Fraiburgo 435,5 32948
91
420555 -27,1747 -50,8047 03 Frei Rogério 157,2 2971
420560 -26,4550 -52,6858 01 Galvão 131,2 4235
420570 -28,0233 -48,6133 06 Garopaba 108,3 13164
420580 -26,0267 -48,8550 02 Garuva 499,7 11378
420590 -26,9314 -48,9589 04 Gaspar 369,8 46414
420600 -27,3147 -48,5592 05 Governador Celso Ramos 105,0 11598
420610 -28,1850 -49,2147 06 Grão Pará 329,0 5817
420620 -28,3311 -49,0353 06 Gravatal 194,3 10799
420630 -27,0858 -48,9811 04 Guabiruba 173,2 12976
420640 -26,5992 -53,5181 01 Guaraciaba 348,6 11038
420650 -26,4731 -49,0028 02 Guaramirim 243,2 23794
420660 -26,3853 -53,5278 01 Guarujá do Sul 99,5 4696
420665 -27,1319 -52,7872 01 Guatambú 206,3 4702
420670 -27,1936 -51,4947 01 Herval d'Oeste 213,0 20044
420675 -27,1814 -51,2369 01 Ibiam 147,2 1955
420680 -27,0919 -51,3650 01 Ibicaré 166,4 3587
420690 -27,0569 -49,5178 04 Ibirama 268,5 15802
420700 -28,7133 -49,3000 06 Içara 315,6 48634
420710 -26,8997 -48,8272 04 Ilhota 245,2 10574
420720 -28,3414 -48,8200 06 Imaruí 541,6 13404
420730 -28,2400 -48,6703 06 Imbituba 185,7 35700
420740 -27,4928 -49,4239 04 Imbuia 124,1 5246
420750 -26,8978 -49,2317 04 Indaial 429,9 40194
420757 -27,0042 -51,2422 01 Iomerê 111,8 2553
420760 -27,4036 -51,7731 01 Ipira 150,3 4979
420765 -26,9883 -53,5353 01 Iporã do Oeste 184,3 7877
420768 -26,6314 -52,4550 01 Ipuaçu 259,1 6122
420770 -27,0767 -52,1356 01 Ipumirim 239,9 6907
420775 -26,8225 -53,2744 01 Iraceminha 158,9 4592
420780 -27,0247 -51,9017 01 Irani 318,9 8602
420785 -26,6564 -52,8922 01 Irati 79,0 2202
420790 -26,2386 -50,7997 02 Irineópolis 581,2 9734
420800 -27,2906 -52,3231 01 Itá 166,1 6764
420810 -26,3364 -49,9064 02 Itaiópolis 1242,6 19086
420820 -26,9078 -48,6619 04 Itajaí 303,6 147494
420830 -27,0903 -48,6114 04 Itapema 58,7 25869
420840 -27,1694 -53,7122 01 Itapiranga 286,1 13998
420845 -26,1169 -48,6161 02 Itapoá 256,1 8839
420850 -27,4144 -49,6025 04 Ituporanga 335,7 19492
420860 -27,1758 -51,7336 01 Jaborá 188,0 4194
420870 -28,9975 -49,7636 06 Jacinto Machado 417,2 10923
420880 -28,6150 -49,0256 06 Jaguaruna 328,0 14613
420890 -26,4861 -49,0667 02 Jaraguá do Sul 540,0 108489
420895 -26,7217 -52,8597 01 Jardinópolis 67,2 1994
420900 -27,1781 -51,5047 01 Joaçaba 240,6 24066
420910 -26,3044 -48,8456 02 Joinville 1081,7 429604
420915 -26,9583 -49,6281 04 José Boiteux 358,6 4594
92
420917 -26,3983 -52,7278 01 Jupiá 91,5 2220
420920 -27,2600 -51,5558 01 Lacerdópolis 69,1 2173
420930 -27,8161 -50,3261 03 Lages 2651,4 157682
420940 -28,4825 -48,7808 06 Laguna 445,2 47568
420945 -26,8581 -52,5672 01 Lajeado Grande 66,9 1572
420950 -27,2167 -49,7331 04 Laurentino 67,9 5062
420960 -28,3928 -49,3967 06 Lauro Muller 267,0 13604
420970 -26,9289 -50,6953 01 Lebon Régis 990,7 11682
420980 -27,5069 -49,2869 05 Leoberto Leal 298,3 3739
420985 -27,0533 -52,0667 01 Lindóia do Sul 190,3 4877
420990 -27,1661 -49,5419 04 Lontras 197,5 8381
421000 -26,7206 -48,9328 04 Luiz Alves 260,8 7974
421003 -27,1328 -51,4672 01 Luzerna 116,7 5572
421005 -26,8556 -51,3781 01 Macieira 235,8 1900
421010 -26,1114 -49,8053 02 Mafra 1788,1 49940
421020 -27,4181 -48,9514 05 Major Gercino 278,5 3143
421030 -26,3678 -50,3281 02 Major Vieira 544,5 6906
421040 -28,8467 -49,4528 06 Maracajá 70,6 5541
421050 -26,7608 -53,1725 01 Maravilha 169,0 18521
421055 -26,8022 -52,6253 01 Marema 99,7 2651
421060 -26,6106 -49,0083 02 Massaranduba 394,5 12562
421070 -26,4731 -51,1483 01 Matos Costa 371,8 3204
421080 -28,8286 -49,6358 06 Meleiro 185,9 7080
421085 -27,1964 -50,0767 04 Mirim Doce 333,9 2753
421090 -26,7783 -53,0553 01 Modelo 95,7 3930
421100 -27,1028 -53,4019 01 Mondaí 215,5 8728
421105 -27,2228 -50,9797 03 Monte Carlo 166,7 8579
421110 -26,4622 -50,2311 02 Monte Castelo 566,2 8350
421120 -28,6508 -49,2100 06 Morro da Fumaça 82,8 14551
421125 -28,8006 -49,7208 06 Morro Grande 251,2 2917
421130 -26,8989 -48,6542 04 Navegantes 119,3 39317
421140 -26,9025 -52,9058 01 Nova Erechim 63,0 3543
421145 -26,9397 -52,8122 01 Nova Itaberaba 135,7 4256
421150 -27,2858 -48,9297 05 Nova Trento 398,9 9852
421160 -28,6367 -49,4978 06 Nova Veneza 290,6 11511
421165 -26,4444 -52,8336 01 Novo Horizonte 151,4 3101
421170 -28,3589 -49,2914 06 Orleans 600,6 20031
421175 -27,4831 -50,1219 03 Otacílio Costa 924,2 13993
421180 -27,3414 -51,6181 01 Ouro 209,5 7419
421185 -26,6944 -52,3119 01 Ouro Verde 201,5 2352
421187 -27,2522 -52,4981 01 Paial 85,0 2052
421189 -27,9289 -50,1050 03 Painel 764,9 2384
421190 -27,6453 -48,6678 05 Palhoça 322,7 102742
421200 -26,3475 -53,2783 01 Palma Sola 314,4 8206
421205 -27,5828 -50,1594 03 Palmeira 292,2 2133
421210 -27,0675 -53,1611 01 Palmitos 347,8 16034
421220 -26,3703 -50,1444 02 Papanduva 777,3 16822
93
421223 -26,6139 -53,6719 01 Paraíso 183,0 4796
421225 -29,3350 -49,7228 06 Passo de Torres 90,5 4400
421227 -26,7800 -52,0594 01 Passos Maia 589,7 4763
421230 -27,9617 -48,6836 05 Paulo Lopes 447,8 5924
421240 -28,4358 -49,1850 06 Pedras Grandes 153,0 4921
421250 -26,7694 -48,6458 04 Penha 60,4 17678
421260 -27,3731 -51,9039 01 Peritiba 96,8 3230
421270 -27,5353 -49,6981 04 Petrolândia 251,6 6406
421280 -26,7639 -48,6717 04 Piçarras 85,7 10911
421290 -26,8481 -52,9919 01 Pinhalzinho 134,4 12356
421300 -27,0506 -51,2308 01 Pinheiro Preto 66,7 2729
421310 -27,4197 -51,7719 01 Piratuba 149,0 5812
421315 -27,0703 -52,8656 01 Planalto Alegre 61,1 2452
421320 -26,7406 -49,1769 04 Pomerode 217,8 22127
421330 -27,4842 -50,3803 03 Ponte Alta 558,7 5168
421335 -27,1583 -50,4644 03 Ponte Alta do Norte 384,1 3221
421340 -26,8717 -52,0158 01 Ponte Serrada 569,8 10561
421350 -27,1578 -48,5531 04 Porto Belo 93,8 10704
421360 -26,2381 -51,0783 02 Porto União 925,6 31858
421370 -27,2581 -49,9339 04 Pouso Redondo 363,9 12203
421380 -29,1967 -49,9503 06 Praia Grande 286,1 7286
421390 -27,2231 -51,8072 01 Presidente Castelo Branco 70,2 2160
421400 -27,0506 -49,6228 04 Presidente Getúlio 322,4 12333
421410 -27,2772 -49,3903 04 Presidente Nereu 224,9 2305
421415 -26,4419 -53,5983 01 Princesa 88,6 2613
421420 -26,7261 -52,7206 01 Quilombo 283,7 10736
421430 -27,6725 -49,0217 05 Rancho Queimado 270,2 2637
421440 -26,8986 -51,0744 01 Rio das Antas 343,3 6129
421450 -26,9489 -50,1414 04 Rio do Campo 496,9 6522
421460 -27,1925 -49,7967 04 Rio do Oeste 244,7 6730
421470 -26,7383 -49,2742 04 Rio dos Cedros 556,0 8939
421480 -27,2142 -49,6431 04 Rio do Sul 261,2 51650
421490 -28,1311 -49,1053 06 Rio Fortuna 286,3 4320
421500 -26,2544 -49,5183 02 Rio Negrinho 589,2 37707
421505 -27,8606 -49,7792 03 Rio Rufino 333,6 2414
421507 -27,0669 -53,3217 01 Riqueza 191,6 5166
421510 -26,9228 -49,3664 04 Rodeio 134,0 10380
421520 -26,6761 -53,3144 01 Romelândia 237,7 6491
421530 -26,9800 -49,9997 04 Salete 167,4 7163
421535 -26,6092 -53,0561 01 Saltinho 153,6 4196
421540 -26,9053 -51,4064 01 Salto Veloso 102,0 3910
421545 -28,6378 -49,1292 06 Sangão 83,2 8128
421550 -26,9608 -50,4269 03 Santa Cecília 1175,8 14802
421555 -26,9375 -53,6192 01 Santa Helena 80,7 2588
421560 -28,0392 -49,1278 06 Santa Rosa de Lima 184,6 2007
421565 -29,1361 -49,7000 06 Santa Rosa do Sul 164,4 7810
421567 -26,7786 -50,0081 02 Santa Terezinha 722,2 8840
94
421568 -26,6189 -53,2017 01 Santa Terezinha do Progresso 113,2 3416
421569 -26,6394 -52,6847 01 Santiago do Sul 74,2 1696
421570 -27,6881 -48,7786 05 Santo Amaro da Imperatriz 353,0 15708
421575 -26,4700 -52,9644 01 São Bernardino 210,4 3140
421580 -26,2503 -49,3786 02 São Bento do Sul 487,7 65437
421590 -27,9014 -48,9292 05 São Bonifácio 452,4 3218
421600 -27,0775 -53,0039 01 São Carlos 158,2 9364
421605 -27,2667 -50,4406 03 São Cristovão do Sul 350,8 4504
421610 -26,5581 -52,5317 01 São Domingos 384,9 9540
421620 -26,2433 -48,6381 02 São Francisco do Sul 541,8 32301
421625 -27,0981 -53,5939 01 São João do Oeste 161,6 5789
421630 -27,2761 -48,8494 05 São João Batista 219,9 14861
421635 -26,6178 -48,7681 04 São João do Itaperiú 151,4 3161
421640 -29,2233 -49,8100 06 São João do Sul 175,3 6784
421650 -28,2939 -49,9317 03 São Joaquim 1888,1 22836
421660 -27,6153 -48,6275 05 São José 114,9 173559
421670 -26,4550 -53,4942 01 São José do Cedro 261,2 13678
421680 -27,6631 -50,5800 03 São José do Cerrito 968,7 10393
421690 -26,3592 -52,8511 01 São Lourenço do Oeste 361,3 19647
421700 -28,3258 -49,1767 06 São Ludgero 120,2 8587
421710 -28,1647 -48,9794 06 São Martinho 236,1 3274
421715 -26,6903 -53,2514 01 São Miguel da Boa Vista 71,9 2018
421720 -26,7253 -53,5181 01 São Miguel do Oeste 236,2 32324
421725 -27,5661 -48,8053 05 São Pedro de Alcântara 141,0 3584
421730 -26,9242 -53,0031 01 Saudades 200,2 8324
421740 -26,4125 -49,0731 02 Schroeder 149,4 10811
421750 -27,1494 -52,3106 01 Seara 316,3 16484
421755 -26,7292 -53,0422 01 Serra Alta 91,2 3330
421760 -28,5978 -49,4244 06 Siderópolis 262,9 12082
421770 -29,1139 -49,6167 06 Sombrio 151,3 22962
421775 -26,7361 -52,9647 01 Sul Brasil 113,3 3116
421780 -27,1164 -49,9981 04 Taió 715,2 16257
421790 -27,1047 -51,2472 01 Tangará 459,8 8754
421795 -26,6878 -53,1581 01 Tigrinhos 58,1 1878
421800 -27,2414 -48,6336 05 Tijucas 278,9 23499
421810 -28,8303 -49,8472 06 Timbé do Sul 334,3 5323
421820 -26,8233 -49,2717 04 Timbó 130,0 29358
421825 -26,6150 -50,6742 02 Timbó Grande 549,8 6501
421830 -26,1064 -50,3222 02 Três Barras 419,1 17124
421835 -28,5156 -49,4575 06 Treviso 156,6 3144
421840 -28,5589 -49,1478 06 Treze de Maio 180,0 6716
421850 -27,0017 -51,4064 01 Treze Tílias 177,8 4840
421860 -27,2992 -49,7903 04 Trombudo Central 101,6 5795
421870 -28,4667 -49,0069 06 Tubarão 284,0 88470
421875 -26,9689 -53,6392 01 Tunápolis 133,8 4777
421880 -28,9261 -49,6792 06 Turvo 244,3 10887
421885 -26,7611 -52,8553 01 União do Oeste 88,4 3391
95
421890 -28,0150 -49,5917 03 Urubici 1019,1 10252
421895 -27,9528 -49,8731 03 Urupema 278,7 2527
421900 -28,5178 -49,3208 06 Urussanga 237,4 18727
421910 -26,8636 -52,1550 01 Vargeão 151,4 3526
421915 -27,4892 -50,9750 03 Vargem 396,8 3225
421917 -27,0067 -51,7400 01 Vargem Bonita 307,5 5158
421920 -27,3919 -49,3558 04 Vidal Ramos 343,8 6279
421930 -27,0083 -51,1517 01 Videira 378,4 41589
421935 -26,8808 -49,8328 04 Vitor Meireles 423,8 5519
421940 -26,9261 -49,7958 04 Witmarsum 129,9 3251
421950 -26,8769 -52,4042 01 Xanxerê 381,4 37429
421960 -27,0686 -52,3419 01 Xavantina 212,0 4404
421970 -26,9617 -52,5347 01 Xaxim 294,0 22857
421985 -27,4514 -51,5553 03 Zortéa 297,8 2633Fonte: IBGE, Censo 2000
A.4 Dados dos municípios catarinenses utilizados na aplicação
ID_ NAME1_ DOM POP VEIC02 TFRVEIC TFRRES PFAMSIMP PDEDOR2 PTEMOR10 TANALF PAGREDG PESGOT PLIXO PILUM IMPMUN IDH PSREMUN RDDOMPEA GINI VARREL
420005 Abdon Batista 760 2775 456 0,00 5,26 96,70 84,47 4,18 6,33 34,01 17,10 37,44 96,84 5,53 0,77 58,28 190,34 0,50 0,00
420010 Abelardo Luz 4262 16440 2049 0,49 13,61 95,57 77,16 24,26 11,08 45,68 23,59 44,95 83,40 12,09 0,79 65,40 329,84 0,72 -6,78
420020 Agrolandia 2161 7810 1596 0,00 1,85 90,72 83,71 23,69 6,14 48,59 81,06 75,47 99,22 15,60 0,78 47,27 274,09 0,47 -14,89
420030 Agronomica 1207 4257 1096 0,00 8,29 97,11 92,19 24,35 5,28 19,60 31,03 34,33 99,60 6,15 0,81 53,48 341,98 0,46 4,24
420040 Agua Doce 1894 6843 1239 3,23 13,73 93,68 80,30 24,02 7,91 43,54 59,09 57,30 94,30 9,31 0,81 56,93 389,24 0,58 -6,34
420050 Aguas de Chapeco 1582 5782 714 0,00 8,22 92,98 80,58 18,60 9,58 37,11 1,02 37,22 94,68 7,92 0,78 54,70 350,56 0,59 2,03
420055 Aguas Frias 660 2525 335 0,00 1,52 93,64 87,83 10,34 9,36 30,27 53,08 25,48 77,97 12,30 0,80 70,38 324,64 0,56 -7,69
420060 Aguas Mornas 1418 5390 1109 0,00 2,82 93,46 87,84 11,29 7,94 15,94 16,01 70,95 100,00 10,16 0,78 51,05 271,45 0,43 0,36
420070 Alfredo Wagner 2421 8857 1459 0,00 4,13 97,00 82,12 11,29 11,73 26,38 27,95 31,15 98,61 10,81 0,78 63,93 360,49 0,55 5,99
420075 Alto Bela Vista 603 2159 391 0,00 3,32 94,80 91,11 8,62 4,15 29,46 32,13 41,06 96,97 24,76 0,80 61,93 257,96 0,47 1,43
420080 Anchieta 1851 7133 1180 0,00 9,18 91,17 82,13 17,03 8,88 43,99 16,60 41,48 97,71 7,82 0,77 55,41 189,46 0,49 2,31
420090 Angelina 1554 5880 959 0,00 1,29 90,96 86,39 5,43 12,12 12,40 25,89 20,73 99,81 8,83 0,77 57,35 229,22 0,50 1,79
420100 Anita Garibaldi 2684 10273 1331 0,00 9,31 94,48 83,86 5,84 12,93 42,81 24,14 35,86 85,41 8,70 0,75 65,06 207,32 0,55 -0,77
420110 Anitapolis 904 3234 569 0,00 4,42 91,71 88,51 17,83 13,30 32,13 27,79 52,36 97,68 5,47 0,77 49,74 319,92 0,52 5,05
420120 Antonio Carlos 1748 6434 1525 0,66 6,86 92,64 86,12 14,81 6,73 29,58 51,48 80,90 100,00 26,11 0,83 48,27 402,09 0,45 35,42
420125 Apiuna 2389 8520 1661 0,00 9,21 97,54 90,18 18,87 8,12 50,54 75,59 71,06 98,78 11,82 0,77 51,23 322,09 0,48 2,94
420127 Arabuta 1155 4160 701 0,00 3,46 91,86 86,60 14,18 3,12 31,87 20,13 30,29 98,35 9,98 0,81 45,64 407,74 0,51 -19,92
420130 Araquari 6260 23645 1358 5,15 12,78 91,39 70,23 52,31 7,45 47,09 85,60 89,20 98,42 10,56 0,77 54,15 255,58 0,49 3,47
420140 Ararangua 16045 54706 11819 3,13 21,13 94,09 86,97 21,91 5,88 53,63 87,12 86,06 99,82 27,59 0,81 49,91 374,03 0,52 9,62
420150 Armazem 1944 6873 1567 0,00 4,12 95,05 85,90 21,57 9,96 46,15 62,32 53,61 99,84 7,88 0,80 53,06 369,59 0,51 1,77
420160 Arroio Trinta 990 3490 944 0,00 7,07 92,14 95,76 20,47 7,27 56,30 35,03 60,39 100,00 11,39 0,80 56,85 314,69 0,47 0,65
420165 Arvoredo 561 2305 303 0,00 3,57 87,05 79,45 15,31 14,03 29,71 6,73 22,34 94,40 3,31 0,75 52,90 252,98 0,55 -2,22
420170 Ascurra 1988 6934 1805 1,11 9,56 94,08 86,44 29,71 3,50 68,51 87,76 96,16 99,60 12,78 0,81 38,43 356,50 0,44 21,86
420180 Atalanta 958 3429 821 1,22 2,09 93,40 88,18 22,29 5,13 31,37 37,13 36,80 100,00 7,36 0,81 57,68 363,20 0,52 8,46
420190 Aurora 1436 5474 1046 0,00 5,57 93,25 89,00 17,61 4,27 16,80 50,69 34,89 98,88 4,75 0,81 57,40 359,48 0,48 3,87
420195 Balneario Arroio do Silva 1925 6043 745 10,74 110,13 97,18 86,25 70,97 6,37 87,50 94,53 93,63 99,14 85,96 0,79 57,41 330,72 0,53 -18,60
420200 Balneario Camboriu 23861 73455 20878 1,92 42,62 93,91 86,06 55,67 2,56 94,30 96,08 99,45 99,71 242,92 0,87 46,10 837,99 0,59 0,55
97
420205 Balneario Barra do Sul 1774 6045 563 1,78 69,33 95,50 82,13 48,07 6,10 76,88 87,12 97,12 98,13 81,84 0,81 60,23 326,44 0,52 -5,69
420207 Balneario Gaivota 1634 5450 882 2,27 90,58 98,03 85,32 46,69 6,11 25,25 87,61 93,79 99,39 70,92 0,79 62,04 282,71 0,53 -5,92
420208 Bandeirante 811 3177 282 0,00 17,26 89,79 85,66 13,93 7,96 16,94 0,90 0,00 91,65 7,03 0,77 61,76 247,28 0,62 0,00
420209 Barra Bonita 546 2118 223 0,00 3,66 88,78 86,18 14,48 9,62 16,56 41,00 11,77 100,00 3,76 0,74 43,82 197,05 0,48 2,47
420210 Barra Velha 4536 15530 2168 6,92 56,88 94,18 83,53 40,02 8,01 80,78 68,76 89,50 98,68 77,13 0,79 54,47 363,47 0,55 5,97
420213 Bela Vista do Toldo 1437 5721 630 0,00 4,87 95,21 75,88 4,09 6,35 8,57 31,11 13,33 83,60 4,18 0,70 68,00 159,31 0,51 10,78
420215 Belmonte 659 2588 347 0,00 7,59 93,49 81,72 16,64 7,76 38,94 0,00 39,28 92,60 8,60 0,76 54,27 204,66 0,52 -1,90
420220 Benedito Novo 2500 9071 2215 0,00 6,00 92,24 89,17 12,38 4,70 24,77 67,82 80,50 100,00 16,79 0,80 39,96 320,96 0,39 -3,24
420230 Biguacu 13404 48077 8370 2,63 15,97 94,64 83,22 30,70 6,74 78,30 66,72 91,24 99,73 20,69 0,82 50,44 393,28 0,50 -2,98
420240 Blumenau 77827 261808 90447 2,82 15,43 94,72 88,89 20,86 2,41 87,84 89,93 99,10 99,82 91,53 0,86 40,29 583,07 0,51 4,71
420243 Bocaina do Sul 819 2980 415 0,00 0,00 98,71 86,53 12,61 12,06 23,34 26,30 38,30 97,78 8,44 0,72 57,65 191,72 0,54 0,98
420245 Bombinhas 2554 8716 1636 6,11 88,49 93,31 78,94 49,33 4,96 60,82 66,50 98,80 99,56 304,09 0,81 52,08 392,78 0,54 0,30
420250 Bom Jardim da Serra 1109 4079 520 0,00 3,61 95,09 80,94 10,07 8,68 46,95 55,85 55,41 94,27 6,63 0,76 57,56 301,09 0,64 0,97
420253 Bom Jesus 549 2046 328 3,05 7,29 96,50 68,09 33,60 11,89 51,47 19,55 50,54 92,81 8,75 0,73 65,76 213,49 0,56 -6,78
420257 Bom Jesus do Oeste 577 2150 315 0,00 0,00 94,58 81,59 30,07 8,90 23,13 8,13 21,13 99,30 12,60 0,79 45,75 184,89 0,48 -2,17
420260 Bom Retiro 2187 7967 1425 0,00 5,49 94,97 81,68 25,17 11,90 66,71 56,38 62,63 95,42 19,37 0,73 46,83 287,84 0,54 4,62
420270 Botuvera 1096 3756 1133 0,88 2,74 96,11 91,99 5,80 4,46 29,84 35,67 55,82 100,00 6,05 0,80 39,43 347,35 0,41 14,66
420280 Braco do Norte 6715 24802 7021 1,28 13,85 93,01 84,49 26,12 4,44 64,41 75,29 82,66 100,00 24,70 0,85 42,92 577,21 0,65 2,37
420285 Braco do Trombudo 1004 3187 685 0,00 3,98 82,88 87,92 24,76 5,73 47,76 86,51 62,36 100,00 22,76 0,80 47,93 299,82 0,45 5,06
420287 Brunopolis 891 3331 269 0,00 4,49 96,09 83,07 12,66 12,92 32,79 30,33 35,24 82,21 5,91 0,74 55,77 198,92 0,54 -4,61
420290 Brusque 22280 76058 29353 3,20 8,62 93,76 90,79 24,34 3,48 82,77 80,29 98,50 99,85 52,97 0,84 40,48 523,74 0,45 7,07
420300 Cacador 17492 63322 13545 0,89 11,26 94,24 80,64 18,09 6,93 81,59 68,77 87,78 98,47 32,21 0,79 50,20 367,70 0,53 4,49
420310 Caibi 1714 6354 1118 1,79 12,25 91,91 83,17 20,47 9,10 50,99 23,94 48,37 96,88 16,01 0,82 45,91 375,39 0,56 -8,74
420315 Calmon 825 3467 203 0,00 9,70 93,50 68,70 25,41 14,62 36,14 11,46 36,57 81,38 8,25 0,70 59,14 144,71 0,53 23,27
420320 Camboriu 11042 41445 6597 1,82 33,15 94,17 73,99 41,06 6,71 75,25 79,21 93,19 99,60 18,60 0,76 48,30 320,28 0,46 9,21
420325 Capao Alto 879 3020 371 2,70 10,24 98,64 87,65 27,14 10,64 20,12 38,80 17,71 90,09 9,67 0,73 76,12 236,10 0,57 -3,90
420330 Campo Alegre 3140 11634 2249 0,44 12,42 95,25 80,16 17,29 6,50 48,20 66,78 65,27 98,06 29,00 0,77 49,53 282,63 0,47 -0,28
420340 Campo Belo do Sul 2095 8070 848 0,00 2,86 94,84 79,87 10,08 18,65 55,46 47,59 51,76 81,74 10,34 0,69 55,58 197,46 0,54 4,82
420350 Campo Ere 2684 10353 1442 2,08 17,14 93,86 74,45 22,57 14,26 54,72 9,67 49,07 90,38 14,21 0,73 60,01 234,19 0,60 -4,63
420360 Campos Novos 8063 28729 6084 2,30 21,95 95,59 83,84 16,67 8,17 78,26 39,86 75,52 97,18 21,02 0,79 52,28 336,68 0,58 1,66
420370 Canelinha 2486 9004 1616 1,24 9,65 94,32 81,28 18,49 9,94 81,21 59,52 76,99 100,00 12,21 0,80 40,76 340,82 0,46 21,42
98
420380 Canoinhas 13809 51631 9068 1,10 12,09 93,15 78,77 10,96 4,66 72,38 67,84 73,80 97,04 29,77 0,78 55,09 337,13 0,61 2,80
420390 Capinzal 5766 19955 4681 1,07 13,01 97,20 87,98 28,32 6,46 81,02 93,35 82,73 99,35 21,49 0,81 45,74 336,93 0,50 -0,67
420395 Capivari de Baixo 5372 18561 3863 0,00 19,55 93,44 85,71 23,49 4,33 94,48 94,22 96,81 100,00 49,03 0,81 54,41 288,21 0,43 2,49
420400 Catanduvas 2239 8291 1336 2,99 11,61 94,91 83,57 28,59 9,51 77,66 69,14 80,58 99,44 20,68 0,79 48,92 370,76 0,55 1,52
420410 Caxambu do Sul 1385 5263 651 0,00 13,00 90,64 83,61 12,60 13,19 42,26 47,27 34,28 91,21 6,48 0,74 46,14 467,23 0,65 -1,89
420415 Celso Ramos 761 2844 514 0,00 0,00 97,29 83,22 9,82 8,99 27,53 9,15 22,52 95,87 20,87 0,76 45,00 174,21 0,51 1,43
420417 Cerro Negro 1032 4098 328 0,00 2,91 98,51 80,15 9,14 18,82 17,90 15,09 14,46 70,48 4,74 0,69 75,75 148,16 0,55 -43,48
420419 Chapadao do Lageado 663 2561 448 0,00 3,02 96,68 84,85 18,72 6,89 0,00 0,69 6,34 97,90 6,83 0,77 59,72 211,29 0,43 0,56
420420 Chapeco 42271 146967 35025 2,28 36,50 94,28 84,19 28,61 6,08 82,26 57,49 91,11 98,27 67,08 0,85 43,60 441,04 0,57 -9,01
420425 Cocal do Sul 3763 13726 3556 0,56 9,57 94,27 85,79 29,14 4,00 77,71 94,52 86,56 99,86 0,00 0,82 50,87 361,05 0,42 -5,80
420430 Concordia 18357 63058 15821 1,45 23,64 94,05 89,98 18,36 5,27 74,93 67,36 76,60 99,36 44,08 0,85 44,20 480,28 0,55 -29,24
420435 Cordilheira Alta 783 3093 634 3,15 0,00 85,42 90,37 22,41 6,72 45,12 15,12 22,96 97,63 79,45 0,83 47,81 393,22 0,54 10,19
420440 Coronel Freitas 2692 10621 1735 0,00 15,60 90,85 85,44 8,89 10,60 52,01 55,74 47,27 97,34 15,24 0,81 52,44 317,76 0,53 12,81
420445 Coronel Martins 598 2388 301 0,00 13,38 86,22 87,55 14,44 11,20 26,48 3,45 20,00 92,58 4,75 0,75 67,87 230,17 0,59 -9,47
420450 Corupa 3392 11847 2900 0,69 9,14 93,84 88,67 18,81 3,40 64,54 89,99 82,03 99,24 21,18 0,82 47,24 379,48 0,45 14,51
420455 Correia Pinto 4278 17026 2601 2,31 8,42 93,49 84,81 15,01 9,13 74,88 68,15 75,82 96,96 12,74 0,77 59,72 278,87 0,53 -3,40
420460 Criciuma 48565 170420 46161 5,59 18,76 93,69 85,60 16,77 3,76 93,08 90,52 97,08 99,91 27,39 0,82 49,14 519,86 0,56 3,15
420470 Cunha Pora 3048 10229 2149 2,33 4,59 95,09 89,66 20,10 5,83 50,32 13,83 53,29 97,27 15,58 0,82 45,02 368,58 0,51 5,39
420475 Cunhatai 464 1822 214 0,00 0,00 92,32 83,90 17,42 1,61 7,35 1,53 41,13 100,00 7,01 0,83 56,73 387,81 0,50 11,11
420480 Curitibanos 10071 36061 7951 2,39 20,75 95,84 84,69 14,98 7,98 80,24 66,94 84,18 98,27 33,75 0,77 51,08 338,68 0,57 -3,84
420490 Descanso 2390 9129 1649 0,00 5,86 89,74 86,44 16,08 7,47 42,00 1,17 43,62 98,52 11,33 0,80 51,68 284,00 0,50 -2,10
420500 Dionisio Cerqueira 3808 14250 1135 0,88 23,11 94,10 77,81 24,31 9,61 57,52 24,04 54,76 91,21 15,55 0,75 53,71 260,33 0,62 -3,31
420510 Dona Emma 901 3309 650 0,00 15,54 91,85 84,26 24,61 4,92 39,32 84,81 50,00 100,00 19,66 0,79 48,37 365,35 0,53 9,72
420515 Doutor Pedrinho 895 3082 754 0,00 10,06 92,94 87,08 18,00 4,22 46,21 61,53 69,68 99,34 16,23 0,80 42,87 344,24 0,43 -3,52
420517 Entre Rios 730 2788 268 0,00 1,37 98,90 70,23 8,56 19,29 0,87 0,00 12,23 66,10 3,78 0,69 84,09 120,19 0,65 0,00
420519 Ermo 583 2057 387 0,00 3,43 95,21 83,75 27,72 9,61 24,39 75,07 43,95 98,74 6,13 0,77 68,36 266,91 0,52 -3,96
420520 Erval Velho 1247 4269 747 0,00 1,60 93,87 89,78 16,31 9,25 67,00 58,11 56,93 98,69 9,51 0,79 53,69 306,62 0,52 -11,02
420530 Faxinal dos Guedes 2829 10767 1680 1,19 6,72 92,89 83,47 24,53 7,74 66,94 42,24 73,17 96,26 11,06 0,82 48,94 428,24 0,61 -30,91
420535 Flor do Sertao 413 1612 179 0,00 2,42 89,99 79,21 20,91 15,22 37,12 0,00 9,75 91,70 9,39 0,72 36,87 262,11 0,54 6,41
420540 Florianopolis 106138 342315 132642 2,96 28,24 94,13 87,77 28,26 3,08 89,72 92,81 99,15 99,86 195,71 0,88 47,70 865,60 0,57 1,04
420543 Formosa do Sul 697 2725 403 0,00 0,00 90,63 77,04 20,73 9,43 25,42 0,00 28,83 90,26 17,01 0,80 55,89 361,23 0,62 -0,97
99
420545 Forquilhinha 4979 18348 4419 0,91 5,22 95,66 81,10 31,22 5,06 72,24 80,88 80,55 99,48 23,79 0,80 51,37 399,69 0,53 3,83
420550 Fraiburgo 8936 32948 6247 1,44 7,27 93,73 82,15 24,48 6,55 79,76 73,58 85,31 98,13 32,73 0,78 48,25 330,83 0,57 -13,65
420555 Frei Rogerio 769 2971 414 0,00 3,90 98,60 71,73 21,97 7,43 12,99 16,47 16,49 95,58 7,32 0,74 44,77 222,20 0,55 -7,48
420560 Galvao 1136 4235 531 7,53 11,44 92,56 84,93 15,38 11,11 47,56 7,09 46,56 92,25 6,64 0,78 51,10 346,74 0,61 1,07
420570 Garopaba 3810 13164 2469 2,03 57,48 94,22 84,23 22,73 11,60 59,79 33,01 91,45 100,00 64,59 0,79 53,64 300,68 0,50 5,82
420580 Garuva 2928 11378 1582 4,42 19,47 91,71 73,88 36,86 7,50 47,43 86,64 85,38 98,91 20,19 0,79 50,15 319,96 0,56 2,74
420590 Gaspar 13166 46414 11394 3,25 15,19 96,01 90,35 25,62 3,68 78,81 87,59 90,55 99,90 27,94 0,83 38,61 465,65 0,45 4,88
420600 Governador CelsoRamos
3347 11598 1478 4,06 12,55 94,07 85,65 15,72 7,64 89,86 65,87 97,91 99,20 51,44 0,79 53,38 301,31 0,44 -14,40
420610 Grao Para 1490 5817 1462 0,00 6,04 90,35 84,56 11,60 4,47 49,41 64,80 54,62 99,64 18,88 0,83 52,30 516,41 0,56 1,01
420620 Gravatal 3163 10799 1794 0,56 5,69 94,85 88,71 21,28 8,04 51,23 37,32 63,83 100,00 18,95 0,80 48,20 308,68 0,46 0,47
420630 Guabiruba 3670 12976 3965 0,00 5,45 93,60 92,95 22,20 3,52 49,31 64,19 95,83 99,23 16,69 0,83 40,57 428,41 0,42 7,84
420640 Guaraciaba 2898 11038 1884 0,00 0,35 90,45 89,50 12,44 5,76 50,78 54,41 42,45 98,16 9,98 0,79 53,53 272,23 0,48 8,78
420650 Guaramirim 6584 23794 6215 1,93 12,00 95,26 86,83 31,59 4,30 46,82 87,13 84,15 99,23 29,38 0,82 45,42 385,97 0,46 12,11
420660 Guaruja do Sul 1330 4696 779 0,00 3,76 92,25 87,30 31,48 8,01 59,35 8,71 57,11 99,39 7,96 0,80 53,59 438,02 0,63 5,14
420665 Guatambu 1256 4702 525 0,00 17,52 98,56 84,06 21,43 11,75 29,09 8,48 29,48 93,49 4,73 0,74 56,67 191,11 0,52 17,17
420670 Herval d'Oeste 5786 20044 3672 1,09 15,21 93,91 84,43 22,45 6,41 87,83 66,11 84,69 98,20 12,00 0,80 48,57 330,48 0,51 -0,38
420675 Ibiam 537 1972 292 0,00 7,45 95,78 81,68 14,81 10,06 24,51 22,57 23,06 97,91 10,54 0,81 37,00 341,93 0,52 5,19
420680 Ibicare 1036 3587 755 1,32 9,65 90,08 86,00 19,23 5,43 53,24 44,76 59,45 100,00 12,39 0,80 62,51 324,80 0,47 -3,70
420690 Ibirama 4470 15802 3934 1,27 9,84 93,42 87,77 20,58 5,41 67,93 31,66 85,35 99,64 18,59 0,83 43,21 402,30 0,48 5,31
420700 Icara 13386 48634 9330 4,72 33,02 94,24 82,80 26,93 4,84 71,17 71,82 81,49 99,82 29,35 0,78 54,92 299,10 0,43 9,33
420710 Ilhota 2972 10574 1943 0,51 10,09 96,36 85,53 23,52 4,94 57,74 47,12 88,11 99,75 8,67 0,80 42,38 327,38 0,44 4,12
420720 Imarui 3914 13404 1400 0,00 3,83 96,42 85,68 16,37 12,97 43,28 47,89 35,39 98,77 4,00 0,74 64,20 254,97 0,58 5,48
420730 Imbituba 10447 35700 6011 1,83 22,11 94,35 86,48 18,82 7,08 73,82 87,45 90,34 99,54 32,85 0,81 57,01 320,42 0,48 -0,48
420740 Imbuia 1413 5246 1070 0,00 9,20 97,79 88,01 20,59 8,09 29,60 32,83 40,80 100,00 11,58 0,78 58,74 315,58 0,47 -0,42
420750 Indaial 11491 40194 11718 3,16 14,45 94,58 88,95 26,64 3,28 85,92 89,38 95,35 99,88 34,55 0,83 40,03 442,14 0,47 6,56
420757 Iomere 738 2553 566 0,00 2,71 95,17 93,00 17,37 4,17 29,74 37,10 46,54 100,00 13,48 0,85 48,33 458,76 0,52 17,69
420760 Ipira 1415 4979 982 2,04 0,71 91,21 90,29 26,50 5,27 41,68 57,75 47,86 97,54 15,59 0,80 54,91 305,65 0,50 6,15
420765 Ipora do Oeste 2097 7877 1458 0,00 3,81 93,39 88,26 18,81 3,21 38,94 20,79 39,71 98,43 20,97 0,78 55,56 244,03 0,49 14,51
420768 Ipuacu 1529 6122 597 0,00 1,96 93,96 56,99 15,39 15,56 35,50 1,25 15,60 79,31 12,13 0,72 61,92 216,22 0,60 7,10
420770 Ipumirim 1883 6907 1134 0,00 9,56 91,18 86,44 21,42 5,95 44,98 43,50 45,32 98,81 13,78 0,80 48,44 338,29 0,53 4,53
100
420775 Iraceminha 1214 4592 675 0,00 0,82 89,30 84,44 15,06 10,17 40,97 1,05 19,24 94,59 5,69 0,78 42,84 259,47 0,48 2,96
420780 Irani 2247 8602 1364 0,73 10,68 92,84 81,41 22,94 7,02 65,46 19,35 66,33 97,77 13,54 0,80 53,40 360,21 0,60 -5,93
420785 Irati 557 2202 251 0,00 0,00 93,41 79,43 26,10 12,38 43,06 0,00 19,20 91,23 7,38 0,77 41,52 610,33 0,61 -1,16
420790 Irineopolis 2482 9734 1377 0,00 7,66 94,41 78,28 10,03 6,62 28,69 46,15 31,21 93,08 9,46 0,77 58,86 289,20 0,56 1,02
420800 Ita 1830 6764 1227 1,63 14,21 93,14 85,96 33,93 6,67 59,97 56,82 54,19 98,75 93,12 0,81 53,45 380,14 0,55 -6,83
420810 Itaiopolis 4959 19086 2616 1,91 8,07 95,58 78,34 9,69 6,57 38,53 59,26 43,67 92,40 11,47 0,74 51,15 212,36 0,49 3,37
420820 Itajai 42048 147494 35939 5,56 24,00 93,59 82,78 21,17 4,12 93,70 90,87 98,28 99,77 85,91 0,83 48,54 499,13 0,55 4,29
420830 Itapema 7578 25869 5583 14,87 57,67 95,61 82,70 54,04 3,91 88,68 91,79 98,09 99,83 275,10 0,84 52,09 635,02 0,68 -0,61
420840 Itapiranga 3702 13998 2625 0,76 5,67 92,94 85,82 14,53 3,33 62,64 49,43 52,44 98,17 15,51 0,83 50,85 368,81 0,62 15,20
420845 Itapoa 2584 8839 568 3,52 101,39 94,08 78,14 57,35 4,28 67,36 88,72 89,85 97,00 282,45 0,79 55,07 413,12 0,62 6,14
420850 Ituporanga 5295 19492 5124 0,78 12,09 95,20 85,42 17,52 4,59 54,40 68,53 56,69 99,67 33,01 0,83 47,94 372,66 0,47 4,71
420860 Jabora 1131 4194 730 1,37 5,31 90,32 90,90 18,25 8,92 37,16 25,90 41,47 99,19 15,68 0,79 56,37 311,25 0,48 8,75
420870 Jacinto Machado 3015 10923 1902 0,53 6,63 96,15 81,95 12,81 9,38 49,62 77,20 52,94 100,00 9,29 0,76 55,01 242,82 0,49 0,50
420880 Jaguaruna 4213 14613 2877 4,17 15,90 95,93 87,44 23,02 8,95 26,74 83,14 67,18 99,88 27,06 0,79 49,77 351,63 0,52 9,39
420890 Jaragua do Sul 30964 108489 34715 1,35 8,49 94,46 88,37 30,88 2,45 81,76 89,95 97,33 99,81 71,43 0,85 39,38 519,37 0,48 4,70
420895 Jardinopolis 502 1994 268 0,00 0,00 94,04 79,78 16,99 8,88 38,87 47,33 39,29 94,04 9,21 0,76 62,70 167,08 0,53 0,00
420900 Joacaba 7196 24066 7358 1,09 19,18 93,08 87,31 24,45 4,33 90,50 90,75 88,91 99,47 82,55 0,87 48,58 577,80 0,57 2,41
420910 Joinville 121595 429604 116158 8,30 16,28 94,37 85,68 20,10 2,94 94,67 95,73 99,29 99,73 85,25 0,86 49,80 520,08 0,54 6,40
420915 Jose Boiteux 1110 4594 770 0,00 5,41 88,06 76,43 19,36 10,47 27,00 59,80 33,17 98,73 6,07 0,77 61,68 308,26 0,56 1,46
420917 Jupia 584 2220 258 0,00 1,71 94,54 83,25 30,17 13,23 0,00 1,54 24,56 90,61 6,64 0,75 62,73 238,84 0,59 -1,32
420920 Lacerdopolis 568 2173 577 0,00 12,32 89,92 86,43 14,33 6,49 54,55 68,72 51,14 100,00 9,61 0,85 54,62 585,45 0,55 10,50
420930 Lages 43515 157682 33799 3,96 14,89 93,82 83,12 13,79 6,00 93,74 78,14 94,31 98,97 43,06 0,81 52,96 442,40 0,61 0,61
420940 Laguna 14384 47568 6886 5,37 23,36 94,09 84,95 16,83 6,95 70,10 85,68 70,55 99,60 34,64 0,79 60,84 322,79 0,53 -0,79
420945 Lajeado Grande 397 1572 247 0,00 15,11 95,34 87,64 11,81 6,00 24,60 31,40 32,72 90,09 11,92 0,81 49,60 352,29 0,54 13,64
420950 Laurentino 1476 5062 1279 1,56 3,39 91,87 91,95 24,90 4,52 44,14 58,91 74,50 100,00 18,84 0,83 43,06 454,06 0,50 13,76
420960 Lauro Muller 3827 13604 2636 2,28 10,19 93,25 87,80 14,10 7,03 75,26 76,84 70,83 99,58 10,78 0,80 61,85 292,91 0,46 0,17
420970 Lebon Regis 3023 11682 1266 0,79 11,91 94,41 71,25 22,57 12,37 60,41 40,98 52,63 88,91 7,39 0,74 59,48 218,22 0,56 4,99
420980 Leoberto Leal 984 3739 544 0,00 2,03 94,87 82,31 12,38 10,49 14,79 15,96 21,67 98,58 3,28 0,75 63,16 252,69 0,48 -2,38
420985 Lindoia do Sul 1277 4877 852 0,00 6,26 89,32 87,65 13,53 7,88 37,03 48,34 35,30 97,18 10,24 0,82 58,40 514,07 0,61 3,12
420990 Lontras 2410 8381 1764 0,57 9,54 94,39 90,56 25,42 7,19 53,84 77,18 75,00 99,49 16,88 0,78 48,53 317,91 0,47 7,83
421000 Luiz Alves 2123 7974 2217 5,86 4,71 94,40 85,78 18,87 3,96 16,62 51,37 56,30 99,09 10,48 0,84 39,30 758,93 0,61 7,91
101
421003 Luzerna 1628 5572 1378 1,45 15,36 94,07 89,36 16,14 3,25 76,76 84,03 73,89 100,00 27,73 0,86 51,68 444,83 0,50 -5,17
421005 Macieira 522 1900 257 0,00 0,00 97,60 91,53 15,09 5,36 17,68 19,25 21,06 94,14 6,34 0,77 67,14 375,48 0,65 0,00
421010 Mafra 13791 49940 7590 0,40 10,80 94,25 80,48 12,54 3,90 73,03 73,28 76,69 97,93 0,04 0,79 54,09 324,52 0,50 -1,06
421020 Major Gercino 908 3143 644 1,55 3,30 97,72 82,07 13,31 7,45 20,93 8,27 40,59 100,00 2,86 0,80 54,88 284,02 0,48 -3,85
421030 Major Vieira 1861 6906 778 0,00 11,82 94,89 77,56 10,98 6,94 23,62 11,28 31,20 90,54 5,81 0,75 56,22 282,39 0,64 -0,63
421040 Maracaja 1576 5541 1065 0,94 8,88 95,73 85,81 23,67 5,58 35,54 88,64 73,19 99,61 9,33 0,81 53,33 529,83 0,62 4,95
421050 Maravilha 5440 18521 4128 0,73 23,35 94,04 90,93 28,08 5,91 79,09 27,16 76,18 98,96 32,83 0,82 42,65 384,44 0,52 3,86
421055 Marema 639 2651 434 0,00 6,26 84,08 82,63 15,21 13,38 44,78 8,59 36,98 92,75 6,09 0,80 33,18 382,55 0,55 1,89
421060 Massaranduba 3483 12562 2943 1,36 9,47 91,31 89,45 14,34 3,62 30,25 73,51 61,19 99,59 18,36 0,84 41,74 431,38 0,42 6,02
421070 Matos Costa 846 3204 228 0,00 23,64 96,69 82,69 29,43 10,64 41,36 51,78 43,33 78,41 6,76 0,75 68,96 230,66 0,56 -1,37
421080 Meleiro 1951 7080 1333 0,75 10,25 94,84 85,32 16,07 8,32 29,32 89,20 43,56 100,00 6,62 0,79 55,97 528,66 0,62 11,11
421085 Mirim Doce 732 3520 457 0,00 4,10 92,71 71,61 14,80 6,71 37,43 71,47 47,83 98,69 9,49 0,79 56,17 586,46 0,57 14,03
421090 Modelo 1077 3930 693 0,00 11,14 91,69 84,07 23,37 6,88 61,47 15,19 54,26 96,95 12,19 0,79 47,65 301,30 0,52 4,55
421100 Mondai 2412 8728 1281 0,00 10,36 93,12 85,38 9,79 6,00 58,23 32,16 48,05 97,34 17,45 0,81 43,69 306,54 0,53 15,60
421105 Monte Carlo 2238 8579 1033 0,00 8,49 97,26 76,51 31,62 12,50 85,42 25,91 85,99 96,44 3,81 0,73 53,74 208,88 0,51 -0,28
421110 Monte Castelo 2169 8350 802 0,00 5,53 95,89 77,44 16,88 9,13 48,13 55,51 49,55 92,44 2,41 0,74 62,14 238,80 0,58 -5,11
421120 Morro da Fumaca 3931 14551 3365 1,78 8,90 94,23 83,25 20,11 6,53 67,37 76,83 83,61 100,00 22,10 0,80 45,46 365,60 0,48 0,09
421125 Morro Grande 792 2917 437 0,00 5,05 96,52 89,27 16,45 10,11 30,54 82,75 25,19 100,00 6,64 0,79 53,88 220,20 0,47 -9,09
421130 Navegantes 10966 39317 5748 0,87 55,17 94,62 78,50 41,52 7,08 88,27 71,37 96,18 99,12 23,52 0,77 53,42 315,51 0,48 5,85
421140 Nova Erechim 956 3543 696 1,44 23,01 95,21 88,88 29,05 7,06 74,88 66,96 64,71 99,41 13,82 0,81 47,46 397,11 0,55 13,46
421145 Nova Itaberaba 1104 4256 634 0,00 4,53 91,92 80,00 27,63 11,08 6,40 69,35 16,89 96,50 11,49 0,76 56,61 309,16 0,59 9,35
421150 Nova Trento 2813 9852 2363 0,42 4,98 95,16 88,68 9,52 5,10 44,12 65,44 63,42 99,61 22,10 0,82 43,58 363,85 0,45 4,47
421160 Nova Veneza 3048 11511 2589 0,77 8,20 94,29 86,71 24,83 3,76 66,59 75,93 69,01 99,78 30,79 0,81 42,78 429,17 0,47 17,89
421165 Novo Horizonte 797 3101 453 0,00 2,51 94,47 80,77 13,46 7,50 19,65 6,22 19,43 94,93 6,65 0,75 54,54 289,18 0,54 2,54
421170 Orleans 5498 20031 4924 1,22 8,37 93,70 86,88 19,18 5,44 63,44 65,49 61,10 99,72 0,00 0,81 47,54 371,18 0,49 6,49
421175 Otacilio Costa 4031 13993 3229 0,00 10,92 95,66 86,30 15,35 7,94 91,43 61,02 93,11 98,37 40,41 0,80 54,60 343,28 0,51 -1,26
421180 Ouro 2048 7419 1723 1,16 15,14 92,05 93,61 24,52 3,90 64,78 58,77 58,91 99,47 11,11 0,83 50,53 446,88 0,51 -6,20
421185 Ouro Verde 619 2352 369 0,00 4,85 93,98 93,88 17,82 8,38 28,05 0,00 28,41 99,61 10,32 0,79 57,63 342,83 0,56 -7,41
421187 Paial 520 2052 152 0,00 3,85 92,36 79,76 15,09 7,24 13,72 2,64 15,18 94,79 10,11 0,75 61,80 235,34 0,54 -3,17
421189 Painel 662 2384 301 9,97 3,02 97,07 88,69 13,77 9,88 34,69 21,59 35,39 95,95 19,73 0,75 56,13 281,08 0,54 -0,70
421190 Palhoca 28036 102742 19131 2,87 27,89 93,31 80,19 32,97 5,61 89,68 88,15 94,71 99,77 19,78 0,82 49,44 393,64 0,49 13,20
102
421200 Palma Sola 2095 8206 821 1,22 5,73 94,35 79,85 22,30 10,66 55,30 2,66 52,50 93,66 10,91 0,76 56,55 253,42 0,60 2,84
421205 Palmeira 623 2226 288 3,47 6,42 98,12 86,75 14,89 10,34 29,08 53,31 35,28 94,83 9,47 0,76 63,56 275,55 0,56 -28,51
421210 Palmitos 4590 16034 3008 0,33 16,78 91,39 86,84 16,72 6,68 56,26 20,69 46,34 97,09 14,70 0,80 40,64 407,82 0,56 2,92
421220 Papanduva 4364 16822 2181 0,00 11,23 95,30 77,62 14,26 8,24 42,54 55,44 53,24 92,50 14,60 0,74 53,60 225,17 0,51 -12,44
421223 Paraiso 1217 4796 524 0,00 4,93 92,73 80,55 14,68 10,67 19,46 16,62 27,36 97,93 8,65 0,77 43,56 236,61 0,55 13,82
421225 Passo de Torres 1278 4400 938 0,00 20,34 98,47 80,02 33,19 7,32 4,71 94,93 85,98 99,77 49,86 0,79 56,61 269,41 0,52 18,16
421227 Passos Maia 1168 4763 474 2,11 5,14 96,57 69,05 52,66 15,77 28,36 28,99 33,10 74,17 6,11 0,73 53,37 217,20 0,58 -10,51
421230 Paulo Lopes 1633 5924 995 0,00 11,64 93,70 83,28 23,21 14,04 66,06 43,13 71,59 99,75 18,19 0,76 51,34 266,40 0,42 13,17
421240 Pedras Grandes 1385 4921 934 2,14 3,61 94,64 89,26 13,59 6,40 31,24 40,96 33,47 99,67 4,60 0,80 53,37 301,44 0,48 1,61
421250 Penha 5158 17678 2804 5,35 27,72 94,53 81,34 29,63 7,62 73,17 79,25 93,56 99,33 69,25 0,79 53,80 341,11 0,47 5,93
421260 Peritiba 889 3230 732 0,00 4,50 93,92 94,24 22,90 3,53 44,80 91,54 50,71 100,00 19,43 0,81 53,89 326,10 0,48 -12,33
421270 Petrolandia 1714 6406 1222 0,00 2,92 93,49 85,80 14,33 7,09 27,28 38,35 41,65 99,55 9,22 0,78 50,36 319,39 0,52 28,36
421280 Picarras 3113 10911 2105 14,73 40,48 91,89 80,85 40,49 5,15 77,02 86,58 89,52 99,49 115,64 0,80 51,78 432,44 0,58 0,65
421290 Pinhalzinho 3431 12356 2687 0,00 8,45 94,71 86,65 27,55 5,94 68,89 7,65 74,16 97,68 29,57 0,83 44,60 348,55 0,55 4,87
421300 Pinheiro Preto 734 2729 639 0,00 1,36 94,88 85,16 24,89 4,60 52,45 70,79 75,71 99,72 7,84 0,82 45,28 277,74 0,49 12,17
421310 Piratuba 2345 5812 1007 0,99 8,53 57,47 88,08 38,52 5,05 55,87 49,55 56,31 96,85 341,93 0,81 40,65 261,24 0,51 166,51
421315 Planalto Alegre 635 2452 398 0,00 18,90 94,49 82,91 23,96 9,03 34,14 10,01 32,37 97,09 6,47 0,82 56,96 361,95 0,56 2,63
421320 Pomerode 6216 22127 8442 0,71 5,31 89,28 92,03 21,83 1,69 58,06 86,82 94,46 100,00 67,03 0,85 39,09 492,49 0,47 12,34
421330 Ponte Alta 1400 5289 658 3,04 9,29 97,72 82,62 21,88 12,04 69,58 52,10 70,95 98,18 10,63 0,73 65,94 229,77 0,59 -5,47
421335 Ponte Alta do Norte 827 3221 363 2,75 16,93 95,92 80,76 28,06 11,17 79,84 81,62 89,65 95,24 17,15 0,75 55,72 301,33 0,53 1,34
421340 Ponte Serrada 2813 10561 1648 1,21 17,42 92,30 80,94 20,33 10,89 71,41 34,72 77,15 95,69 11,78 0,77 52,09 286,24 0,61 9,55
421350 Porto Belo 3126 10704 1863 1,07 51,82 95,15 81,79 42,86 7,45 79,40 84,42 96,79 99,22 101,21 0,80 48,30 418,82 0,53 4,28
421360 Porto Uniao 9101 31858 5063 1,78 19,67 93,70 83,05 19,73 4,71 82,94 79,53 83,35 97,96 41,61 0,81 51,15 391,00 0,56 -0,24
421370 Pouso Redondo 3326 12404 2338 2,57 3,91 96,45 83,35 22,12 7,33 42,03 45,29 55,83 98,08 15,85 0,79 49,29 310,02 0,50 16,91
421380 Praia Grande 2162 7286 1098 0,00 6,94 95,59 87,21 18,88 9,42 56,68 72,21 65,42 99,79 7,60 0,76 53,93 289,06 0,54 11,01
421390 Presidente CasteloBranco
550 2160 369 0,00 7,27 85,99 90,53 21,04 6,25 28,31 26,89 32,74 96,05 6,16 0,83 59,23 382,75 0,51 -0,97
421400 Presidente Getulio 3447 12333 3032 0,33 6,38 91,34 87,94 19,41 3,95 59,77 81,80 72,47 99,85 27,27 0,81 41,31 394,64 0,46 6,08
421410 Presidente Nereu 640 2305 419 0,00 4,69 97,12 82,46 16,86 11,63 29,84 38,13 44,42 99,08 8,79 0,77 58,23 234,30 0,47 -4,80
421415 Princesa 668 2613 273 0,00 4,49 93,86 82,45 17,63 7,02 32,70 6,64 15,54 90,49 7,38 0,75 66,75 217,74 0,55 10,14
421420 Quilombo 2746 10736 1692 0,59 10,20 91,38 79,93 14,13 6,92 46,12 36,16 40,85 96,32 11,78 0,80 54,00 351,52 0,61 5,64
103
421430 Rancho Queimado 742 2637 586 0,00 2,70 93,92 80,74 20,23 11,26 24,36 47,36 70,04 99,62 17,33 0,77 45,67 290,65 0,51 2,84
421440 Rio das Antas 1697 6129 1047 0,00 8,84 94,04 83,85 22,77 6,65 40,40 32,55 45,73 99,09 9,72 0,80 50,58 301,94 0,49 -1,19
421450 Rio do Campo 1740 6522 1160 0,00 13,22 96,07 82,13 19,46 6,42 36,55 65,17 45,62 97,34 8,84 0,80 59,60 288,87 0,51 5,90
421460 Rio do Oeste 1892 6730 1495 0,67 8,99 92,86 89,05 17,05 4,42 37,99 81,43 47,28 99,65 15,65 0,80 51,99 348,78 0,45 -1,93
421470 Rio dos Cedros 2497 8939 2408 0,00 6,81 92,87 87,63 14,02 3,48 36,41 82,41 80,08 98,68 39,10 0,82 42,92 358,20 0,46 0,55
421480 Rio do Sul 15354 51650 16350 0,92 7,42 95,22 89,68 23,71 3,93 88,15 83,31 95,30 99,93 68,68 0,83 42,57 502,14 0,51 2,43
421490 Rio Fortuna 1086 4320 1228 0,00 0,00 85,64 89,49 12,88 3,12 30,55 6,52 45,96 99,49 11,62 0,82 51,59 326,87 0,47 -3,63
421500 Rio Negrinho 10008 37707 7833 0,51 14,59 93,54 76,25 19,92 3,69 89,37 84,80 90,54 98,52 36,80 0,79 47,88 322,01 0,49 -2,05
421505 Rio Rufino 620 2414 272 0,00 4,84 97,40 82,73 16,98 9,97 22,41 26,25 23,01 96,62 8,95 0,74 64,71 256,00 0,64 12,15
421507 Riqueza 1362 5166 654 0,00 6,61 93,34 84,26 18,04 8,47 36,09 4,24 28,87 96,82 6,39 0,80 29,81 317,92 0,52 6,90
421510 Rodeio 3023 10380 2509 2,79 7,28 91,44 90,76 19,57 4,14 51,03 91,97 83,61 99,80 16,29 0,81 37,84 380,32 0,40 1,26
421520 Romelandia 1773 6491 739 0,00 5,08 92,98 83,36 16,86 9,57 36,03 19,70 29,43 93,78 5,18 0,75 46,67 193,66 0,51 0,78
421530 Salete 1905 7163 1564 0,00 6,82 95,85 87,81 26,37 4,39 55,80 53,48 61,37 100,00 11,48 0,80 50,10 286,69 0,51 0,80
421535 Saltinho 1021 4298 331 0,00 4,90 95,03 72,29 15,98 11,98 18,62 1,60 14,19 82,47 7,99 0,75 58,20 220,75 0,60 12,94
421540 Salto Veloso 1043 3910 995 0,00 13,42 95,78 88,47 19,64 7,78 76,43 77,78 76,05 99,62 0,01 0,80 44,92 440,02 0,53 3,95
421545 Sangao 2122 8128 1282 1,56 2,83 93,36 75,36 29,08 9,12 28,11 59,04 47,87 100,00 3,13 0,79 44,46 429,11 0,56 15,76
421550 Santa Cecilia 3836 14802 2015 1,49 14,08 95,89 72,01 19,05 9,28 73,76 58,26 72,13 93,76 17,98 0,75 52,36 252,87 0,54 2,67
421555 Santa Helena 669 2588 396 0,00 7,47 92,09 82,43 16,61 8,54 35,32 1,04 29,42 96,95 10,99 0,79 60,90 239,72 0,52 38,81
421560 Santa Rosa de Lima 493 2007 458 0,00 0,00 85,98 82,42 11,00 5,28 17,74 29,45 25,15 99,18 5,17 0,80 67,07 309,99 0,49 -30,46
421565 Santa Rosa do Sul 2256 7810 1202 0,00 6,65 96,90 87,07 26,37 8,77 15,96 90,11 72,53 98,18 16,38 0,76 54,85 266,86 0,47 -2,27
421567 Santa Terezinha 2047 8840 809 0,00 0,49 96,14 74,14 10,86 6,05 8,06 29,84 20,30 86,84 5,60 0,74 82,70 218,85 0,62 -2,24
421568 Santa Terezinha doProgresso
874 3416 195 0,00 2,29 99,68 81,75 13,48 11,79 17,96 0,99 0,00 90,64 3,59 0,75 64,24 244,95 0,53 1,72
421569 Santiago do Sul 416 1696 210 0,00 0,00 86,64 74,64 21,05 7,02 55,98 1,97 24,89 93,96 10,08 0,77 70,16 177,55 0,58 0,00
421570 Santo Amaro daImperatriz
4384 15708 3797 2,63 10,72 94,26 87,09 19,71 6,03 77,46 83,68 91,48 99,60 40,60 0,84 46,94 383,81 0,46 5,85
421575 Sao Bernardino 765 3140 211 0,00 0,00 94,96 81,85 12,57 10,78 1,51 17,58 6,74 90,37 4,76 0,75 61,91 223,04 0,58 -2,78
421580 Sao Bento do Sul 17830 65437 16781 1,61 11,44 95,10 84,39 22,84 2,94 88,79 93,71 96,29 99,39 91,49 0,84 44,06 416,58 0,49 9,10
421590 Sao Bonifacio 891 3218 745 0,00 0,00 87,51 86,24 13,84 4,91 27,65 2,48 42,92 100,00 9,48 0,79 50,11 236,52 0,46 1,79
421600 Sao Carlos 2660 9364 1728 0,00 14,66 91,51 87,41 15,83 5,49 56,99 15,50 54,13 96,62 11,50 0,81 33,45 556,42 0,61 6,50
421605 Sao Cristovao do Sul 1500 4504 527 0,00 2,67 66,50 79,78 43,11 10,31 81,24 49,67 80,43 96,61 11,10 0,76 55,80 174,65 0,50 -3,05
421610 Sao Domingos 2611 9540 1720 0,00 12,26 93,27 84,31 13,07 9,11 58,87 20,36 54,62 96,92 20,76 0,79 52,25 416,63 0,63 5,75
104
421620 Sao Francisco do Sul 9367 32301 5039 2,98 36,94 93,96 81,04 28,38 3,90 64,67 84,07 93,30 97,49 186,10 0,82 55,75 440,22 0,61 5,65
421625 Sao Joao do Oeste 1518 5789 1122 0,00 0,00 94,01 90,44 8,20 0,87 26,47 12,43 26,77 99,46 10,59 0,81 59,72 236,36 0,46 16,61
421630 Sao Joao Batista 4328 14861 3791 1,32 13,40 95,84 86,85 15,38 4,16 80,59 67,44 75,47 99,96 18,59 0,82 40,09 382,64 0,44 15,73
421635 Sao Joao do Itaperiu 855 3161 629 0,00 4,68 96,00 84,46 20,31 8,75 5,91 56,82 56,87 99,21 5,39 0,79 49,59 346,10 0,53 47,19
421640 Sao Joao do Sul 1983 6784 966 2,07 6,56 96,34 84,81 19,14 10,49 12,13 62,53 39,34 100,00 3,73 0,76 54,89 262,24 0,49 7,54
421650 Sao Joaquim 6557 22836 4819 2,91 8,69 95,32 86,12 10,36 6,68 69,45 64,70 66,61 96,86 24,28 0,77 55,35 297,09 0,57 6,58
421660 Sao Jose 50908 173559 43018 4,25 19,41 92,75 85,28 31,64 4,32 96,39 92,22 98,01 99,86 63,46 0,85 46,12 535,83 0,49 3,67
421670 Sao Jose do Cedro 3619 13678 2433 0,41 12,71 90,95 86,62 18,37 8,48 59,94 7,13 49,82 96,72 13,96 0,80 45,10 324,91 0,55 5,98
421680 Sao Jose do Cerrito 2891 10393 822 0,00 1,38 96,26 85,49 9,62 13,70 15,87 21,61 19,20 77,36 9,26 0,73 60,75 207,00 0,59 1,67
421690 Sao Lourenco do Oeste 5341 19647 4229 0,47 13,48 92,24 83,72 22,36 8,34 62,68 28,00 63,63 96,38 24,15 0,80 44,97 358,80 0,54 8,82
421700 Sao Ludgero 2297 8587 2186 1,37 7,84 91,65 83,96 36,29 4,54 71,26 78,79 76,36 100,00 17,07 0,83 44,27 448,19 0,53 17,35
421710 Sao Martinho 866 3274 796 0,00 1,15 89,67 83,20 12,90 4,68 26,19 51,39 37,17 99,65 4,32 0,82 54,00 587,00 0,62 3,93
421715 Sao Miguel da Boa Vista 539 2018 208 0,00 3,71 90,29 85,26 16,72 9,45 36,96 3,51 14,62 95,69 6,72 0,75 38,84 190,13 0,54 2,86
421720 Sao Miguel do Oeste 9515 32324 8808 0,57 21,54 94,48 87,97 27,45 5,97 58,13 60,80 81,63 99,11 41,40 0,84 41,69 390,36 0,51 2,20
421725 Sao Pedro de Alcantara 1086 3584 758 0,00 2,76 90,29 88,95 14,98 6,98 47,96 35,29 72,66 98,24 30,31 0,80 51,25 310,28 0,42 14,11
421730 Saudades 2116 8324 1336 0,75 6,62 93,42 85,80 17,71 4,24 43,20 12,12 37,24 98,04 9,03 0,83 49,85 311,77 0,50 1,80
421740 Schroeder 2951 10811 2360 0,42 3,73 94,48 84,93 41,12 3,76 53,70 88,47 94,27 99,66 26,94 0,84 42,35 505,95 0,54 17,05
421750 Seara 4470 16484 3730 0,00 13,87 92,06 83,95 20,20 5,09 63,82 57,90 63,81 98,15 14,29 0,83 42,41 382,51 0,51 6,42
421755 Serra Alta 854 3330 466 0,00 2,34 88,91 82,04 16,98 7,91 36,84 16,23 39,66 97,73 13,42 0,81 39,96 294,23 0,47 2,41
421760 Sideropolis 3301 12082 2890 0,00 9,09 92,26 86,20 18,85 4,62 66,52 75,34 76,94 100,00 11,60 0,82 50,69 419,84 0,49 8,02
421770 Sombrio 6617 22962 4776 4,82 19,65 96,97 85,00 26,65 5,94 7,01 77,96 83,64 100,00 9,25 0,80 47,24 357,00 0,55 2,36
421775 Sul Brasil 804 3116 288 0,00 4,98 99,23 89,11 10,86 10,62 23,32 1,26 15,28 92,10 6,70 0,77 64,17 188,39 0,53 8,77
421780 Taio 4635 16257 3729 0,00 10,57 93,19 86,69 15,48 5,90 40,89 88,30 62,02 99,15 23,52 0,81 51,34 378,29 0,54 9,11
421790 Tangara 2494 8754 1938 0,00 14,03 93,55 90,32 13,39 6,08 50,46 33,39 49,28 99,13 18,63 0,81 53,40 373,04 0,55 -2,15
421795 Tigrinhos 502 1878 187 0,00 5,98 90,79 87,64 27,11 13,25 46,93 0,62 0,00 94,79 5,15 0,74 45,86 154,30 0,50 0,00
421800 Tijucas 6769 23499 5075 3,15 12,41 93,45 84,58 19,10 7,77 83,01 80,92 88,31 98,63 25,82 0,84 52,97 513,73 0,65 -1,26
421810 Timbe do Sul 1506 5323 706 0,00 5,31 94,97 85,09 18,30 10,92 65,49 55,91 44,11 99,51 4,92 0,77 53,47 357,07 0,52 -10,19
421820 Timbo 8489 29358 10173 1,97 7,66 94,21 90,78 24,91 2,56 75,02 97,82 98,20 99,88 72,77 0,84 38,38 501,44 0,46 7,36
421825 Timbo Grande 1610 6501 460 0,00 3,73 95,41 73,02 20,16 12,40 46,78 31,22 45,58 76,36 6,12 0,68 64,10 162,07 0,57 3,96
421830 Tres Barras 4382 17124 1991 1,51 9,13 92,14 73,86 18,25 6,45 79,97 61,15 87,39 97,40 12,85 0,76 59,23 278,38 0,60 -0,60
421835 Treviso 855 3144 627 0,00 1,17 90,00 86,74 21,20 4,10 55,49 48,75 50,58 100,00 14,46 0,81 55,52 310,63 0,42 120,00
105
421840 Treze de Maio 1818 6716 1427 0,00 4,40 94,25 84,44 20,39 7,41 26,32 47,52 40,56 99,73 5,68 0,80 46,28 387,42 0,51 -2,46
421850 Treze Tilias 1344 4840 1357 0,00 5,21 94,83 80,44 24,73 7,66 61,66 60,51 66,56 97,94 31,39 0,81 43,28 420,07 0,55 -3,16
421860 Trombudo Central 1680 5795 1394 0,72 7,74 96,69 84,93 21,89 5,38 57,39 51,22 82,22 99,72 25,89 0,82 52,07 348,22 0,50 3,07
421870 Tubarao 26378 88470 25313 2,77 22,33 93,72 89,08 15,67 4,36 87,31 90,31 94,40 99,73 41,48 0,84 47,86 481,75 0,51 5,32
421875 Tunapolis 1246 4777 737 0,00 3,21 95,92 88,39 19,19 3,27 34,28 1,69 33,07 99,50 10,69 0,82 33,20 253,98 0,48 -1,22
421880 Turvo 3066 10887 2611 0,38 9,46 94,02 86,87 19,46 4,82 48,77 89,55 58,35 99,90 20,15 0,82 46,73 449,90 0,52 6,74
421885 Uniao do Oeste 857 3391 514 0,00 4,67 95,77 87,01 17,18 10,12 38,93 1,54 30,64 92,78 9,14 0,81 55,18 378,30 0,54 1,27
421890 Urubici 2822 10252 1938 0,00 7,09 93,22 86,75 13,57 8,73 61,20 62,14 65,99 98,70 17,17 0,79 52,20 295,57 0,58 4,03
421895 Urupema 703 2527 373 0,00 7,11 97,61 92,14 10,99 8,64 41,01 42,04 48,44 96,36 11,90 0,78 65,79 315,85 0,57 0,00
421900 Urussanga 5293 18727 5112 0,78 9,82 91,91 91,33 16,29 3,81 75,34 80,38 77,19 99,71 27,31 0,85 49,59 436,75 0,47 1,73
421910 Vargeao 930 3526 547 1,83 6,45 94,99 86,89 30,01 9,33 46,91 24,27 62,48 93,54 14,02 0,80 45,20 433,75 0,55 -0,45
421915 Vargem 885 3225 341 0,00 5,65 95,85 83,49 14,89 7,23 21,10 45,37 21,47 91,80 6,30 0,77 61,96 273,53 0,54 -1,41
421917 Vargem Bonita 1344 5158 909 2,20 1,49 91,99 81,73 27,27 6,76 71,22 59,24 77,40 98,43 39,08 0,79 52,68 272,84 0,51 7,16
421920 Vidal Ramos 1654 6279 1278 0,00 2,42 97,07 86,70 17,62 8,91 25,19 27,14 30,07 97,34 8,96 0,77 56,28 285,85 0,45 8,95
421930 Videira 12048 41589 10824 2,40 15,44 94,44 86,55 24,02 5,24 84,67 69,23 88,04 99,61 40,50 0,85 41,00 428,11 0,52 3,70
421935 Vitor Meireles 1319 5519 750 0,00 3,79 90,65 82,06 21,04 8,02 25,95 51,84 23,41 96,05 6,47 0,77 59,43 314,45 0,55 20,06
421940 Witmarsum 871 3251 685 0,00 5,74 98,07 89,54 18,93 5,27 17,89 67,03 25,42 100,00 6,58 0,81 53,00 313,01 0,51 2,17
421950 Xanxere 10784 37429 9362 0,00 25,78 93,57 84,18 24,29 6,74 73,92 50,32 86,50 97,79 36,10 0,82 46,58 371,17 0,55 2,06
421960 Xavantina 1088 4404 922 1,08 0,92 86,97 87,87 8,76 7,25 25,52 27,08 41,02 98,34 6,87 0,77 46,92 247,80 0,46 2,23
421970 Xaxim 6291 22857 4732 1,48 17,49 93,25 83,64 21,65 7,83 71,03 40,05 74,78 97,29 20,24 0,81 44,60 406,18 0,58 7,61
421985 Zortea 744 2633 374 0,00 5,38 95,64 93,32 31,05 4,23 79,86 39,10 79,26 97,37 15,44 0,80 51,50 230,65 0,45 -2,07